qq_43967413的博客

也需要添加定位相关权限，而其他不需要添加安卓。版本以下去动态鉴权这些权限，那肯定是会失败。一直显示失败，即如下鉴权回调中，参看其他博客解决方案就是。但是在鉴权回调函数中如。版本的系统上才有的，而。

是不相同的参数不加载，从而不报错，如果参数都不相同，那就都没加载，相当于没加载参数，所以复现不了。仔细观察报错信息，发现加载的。设置模型，然后再加载模型参数。在加载模型之前需要提前调用。可以解决，但是设置后出现。是这么操作的，也就是。

半自动标注·就是通过将SAM集成到中，然后在给数据打标的时候还是人工进行操作，但是只需要在图像上点一下就会自动识别并且打好标注了。其实其他文章，如基于 SAM 的半自动标注新方法，手把手教会你！，这里已经讲解相对是比较详细了，但是还是存在一些坑，这里再总结一下，其中下文很多东西都来自基于 SAM 的半自动标注新方法，手把手教会你！

完整的命令占用一行，开机自动执行。

经过不断debug发现是bitmap的问题，因为我是从一个Activity跳转到另一个Activity文件上然后进行渲染bitmap图像到ImageView组件上。过程涉及到了Bitmap图像的序列化，对于上述报错，更多的回答是因为空指针或者内存相关，后来不断尝试发现Bitmap图像不应该直接序列化，解决办法一：是将Bitmap转成byte数组，然后再序列化，避免直接对Bitmap图像直接序列化。，只有这一句的报错信息，没有其他了，并且同样场景有时候报错有时候不会。

【代码】深度学习问题4：[libprotobuf FATAL google/protobuf/stubs/common.cc:83] This program was compiled against ver。

预测的标签都行，这样就可以了。输入的类型问题，就是一维列表。就是添加元素到列表之前转成。

进行训练网络的时候，需要另一个预训练的网络进行特征提取，因为预训练网络也是我自己编写的，有输出的效果图，但在另一个。编写的网络中发现，他在测试过程中输出的效果图跟原来不一样，并且。经过不断调试，定位到是预训练模型参数改变的原因，但是。的，我无意中发现，他在初始化的时候。都加了也是一样的问题。

`ERROR: torch-1.10.0+cu113-cp39-cp39-linux_x86_64.whl is not a supported wheel on this platform.

matplotlib 的 backend的默认渲染器是agg，agg是一个没有图形显示界面的终端。文件 - 设置 - Python Scientific - 取消勾选。

无监督算法无监督算法相对于监督算法，其输入数据是无标签的，如下图所示，只是知道有这么一些数据点找到一些隐含在数据中的结构，通过这些结构可以使得算法将数据分为不同的聚簇，如下是分成了两个部分，生成不同的蔟的算法，称为聚类算法无监督算法可以找到其他类型的结构或者数据的其他类型的模式，而不单单是聚簇算法在给定数据集，对给定训练集进行数学建模，即得到p(x)，也就是我们将对x的分布概率建模，其中x是这些特征变量然后进行测试新样本，如果输入的新样本低于某个阈值，将会把该样本标记为异常。

如下例子中，我们需要拟合一个非线性的边界以区分正负样本，一个办法是可以使用复杂多项式特征的集合，如下右图所示的特征变量的集合，于是的得到了一个假设函数h(x)如下，以f1…fn进行表示原来式子中的高阶项高阶的特征项是一种得到更多特征的方式，但是问题是我们可以有很多种特征组合，或许存在比这些高阶多项式的，更好的特征，并且我们不知道这些高阶项是不是我们真正需要的如下使用特征f1…fn来表示特征，如果我们找到了新的特征，可以将他代进到f1…fn之中，这里就算是对特征的一般化。

神经网络是人们想尝试设计出模拟人脑的算法，最初被用于制造能模拟大脑的机器激活项：由一个具体神经元计算并输出的值aji：表示第j层第i个神经元的激活项， a21表示第二层，也就是隐藏层的第一个神经元的输出值神经网络被这些矩阵参数化，如下θj就是权重矩阵，它控制从某一层，例如第一次层到第二层或者第二层到第三层的映射。例如θ1表示控制第一层到第二层的映射计算相应的激活项，使用到sigmoid函数，如下是关于三个隐藏层如何计算他们的值其中θj。

假设有如下假设函数，并且有右边的训练集假设我们已经拟合好参数，此时θ0=-3，θ1=1，θ2=1.。那么根据上述logistic函数的性质，当时g函数的参数≥0的时候，预测值y=1，因而这里有如下输出值并根据条件得到：x1+x2 = 3，绘制该曲线有如图酒红色的直线，这条直线称为决策边界，在边界上，预测结果输出都为0.5决策边界是假设函数的一个属性，而不是数据集的属性多项式情况下，也是如此。

被加载到Octave中以后对应的变量名是文件名，也就是priceY，那么拿到priceY前10个元素并赋给v，进行的操作是：v = priceY(1:10)，其中如果文件按列排布，那只会拿到第一列的前10个，如果按行排布，那就会拿到一行的前10个，并且。axis([0.5,1,-1,1])：设置当前操作的子图的坐标范围，前两个参数设置的是x轴的范围，后两个数是设置y轴的范围，具体设置哪个子图是通过subplot进行设置的，按照实例就将x坐标设置成了0.5到1，纵坐标设置成了-1到1。

θ1和θ2表示两个不同的特征值（这里不考虑θ0这个常数项），那么就相当于h(x) = θ1x1+θ2x2，其中θ1表示的是房屋的面子，θ2表示房屋对应的房间数，并且x1的取值范围为0-2000，而x2的取值范围为0-5，这个时候两个特征值的取值范围相差非常大，这个时候就如果画出其中J(θ)对应的高线图，这个时候就很可能会出现椭圆相当扁长的情况，那么从椭圆的顶端到中心，这个时间就会越长，使得下降过程相当缓慢，反复来回震荡，从而使的梯度下降算法的效率下降。θj，如果每个都求出相应的导数，并不具备一般性。

如下房价预估例子，将系数转换为具体的矩阵，并将输入特征也转换为具体的矩阵。矩阵：由数字组成的矩形阵列，并写成方括号。向量：特殊的矩阵，是只有一列的矩阵。没有逆矩阵，奇异矩阵例如全0的矩阵。

机器学习是人工智能发展出来的一个领域：计算机程序从经验E中学习，解决某一任务T进行某一性能度量P，通过P测定在T上的表现因经验E而提高。

【代码】力扣刷题记录（Java）（六）

【代码】力扣刷题记录（Java）（五）