- 博客(46)
- 收藏
- 关注
原创 droupout(Pytorch中的代码实现)
droupout在全连接层之后,使得部分神经元失活,但是为什么能保持数据分布不变呢?因为在训练时,nn.Dropout()不仅对每个神经元参数以概率p变为0,还会将剩下不为0的参数进行rescale(缩放)。这样就能够保持期望不变,缩放比例是1/(1-p)。nn.Dropout()的输入可以是任意形状,输出的形状与输入形状相同dropout方法是用于训练的,因此在pytorch中,nn.Dropout()层只在model.train()模型下有效,在model.eval()模式下会自动失效。
2024-01-15 17:41:22 498 3
原创 深度学习代码学习(一文真正看懂卷积层的代码定义)
解惑(一) ----- super(XXX, self).__init__()到底是代表什么含义_super(,self).__init__-CSDN博客神经网络的基本框架的搭建-nn.Module-CSDN博客
2024-01-12 20:33:55 470
原创 python代码学习
zoom:类型为float或sequence,沿轴的缩放系数。如果float,每个轴的缩放是相同的。第一种是对图像进行归一化,范围为[0, 1],第二种也是对图像进行归一化,范围为[-1, 1],这两种只是归一化范围不同。寻找图像中的关键点,创建相应的二进制特征向量,并在ORB描述符中将它们组合在一起。order:样条插值的顺序,默认为3.顺序必须在0-5范围内。不同视角的两张图进行特征匹配,通过四对特征进行图像之间的变换。output:放置输出的数组,或返回数组的dtype。input:输入数组。
2024-01-11 17:41:34 376
原创 Linux服务器远程连接并且配置pycharm、vscode(包括其中的jupyter notebook)
问题:jupyter notebook需要每次都重新连接ssh然后在服务器上打开,才能进行远程连接正常运行,解决方法如下——连同用户拥有的所有文件删除:sudo deluser --remove-all-files tt。在终端输入:nohup jupyter notebook --allow-root &文件-->设置-->语言和框架-->Jupyter-->Jupyter服务器。注:一直回车,输入yes,然后继续回车,输入yes。#配置bioconda,添加清华源镜像。工具-->部署-->配置。
2023-12-15 13:54:53 72
原创 标准霍夫圆变换
对边缘点,sobel核卷积,设置阈值,非极大值抑制,投票得到圆心。三个参数确定圆的位置,圆心位置(x,y),以及半径的长度。python跑不出来,因为算法复杂度高。设置阈值,非极大值抑制 ,防止投票投偏了。边缘上每个点到圆心的距离进行投票。三维的投票箱:投票的半径是一样的。
2023-12-06 21:50:03 42
原创 (论文阅读 67-69)图像生成(卷积网络/循环网络)
67.改进pixel cnn(rnn)68.椅子生成 (多角度2D)69.DRAW(两个lstm)生成高真实感的自然图像
2023-11-23 10:59:53 56
原创 (论文阅读58-66)视频描述
60.3dcnn+cnn +lstm(一层 ) 61. rgb object cnn pretrained + optical flow action cnn pretrained +lstm(两层) 62.3dcnn+注意力机制
2023-11-22 10:42:31 62
原创 (论文阅读40-45)图像描述1
使用自然语言描述图像,基本使用的是cnn提取图像特征+lstm处理语言特征然后使用多模态层输出对应图片相应的描述句子。比较有趣的是一张图内的密集目标,还有视频目标检测。
2023-11-17 10:38:12 562
原创 (论文阅读34-39)理解CNN
理解cnn、添加图片噪声发现cnn不太好识别,遮挡图片部分得到图片特征重要性分布;通过提取出来的特征反演图像....sift、hog、cnn。
2023-11-15 17:04:32 144
原创 (论文阅读26-27)对象识别
26.不使用bounding boxes进行图像标注,而是直接标注图像中有什么。弱监督学习弱在这里。cnn变成全卷积网络进行训练,图像中有多个物体,可以大概定位到物体位置。
2023-11-13 10:28:32 376
原创 (论文阅读20-25)物体跟踪
20.offline cnn+online svm 21.cnn 22.试图结合生成性跟踪器和判别性跟踪器的思想,开发一个鲁棒的判别性跟踪器。23.使用CNNs分层层的特征而不是仅使用最后一层来表示目标。 24.在追踪过程中根据干扰项的出现自动选择这两层(顶层和底层)25.具有少量层的CNN
2023-11-09 16:35:41 53
原创 Harris corner detection(角点检测)
扫描图像需要定位,角点包含大量的位置信息,具有指向性信息,识别角点具有非常重要的作用。灰度化亮度变化不明显,角的变化在任意方向很明显。看像素点的领域在各个方向的变化会判断的更加准确。u,v取任意值,角点处的E(u,v)都很大。u,v取任意值,角点处的E(u,v)都很大。泰勒展开:(只使用一阶展开,后面的都不保留)E(u,v)最后是一个椭圆。
2023-11-02 09:50:30 81
原创 python的opencv错误The function is not implemented. Rebuild the library with Windows, GTK+ 2.x or Carbon
opencv-python和opencv-contrib-python的版本不匹配。没关系,直接信任源然后指定版本下载。重新安装,pip又报错。
2023-10-28 15:31:29 336
原创 图片中的直线检测——Hough transform(霍夫变换)
每一组都是一条直线。得票数越多,是目标直线的可能性越大。对边缘点的位置信息(x,y)用所有角度区间。进行计算,在上表中进行投票。唯一确定一条直线:(额外知识: 三角函数。
2023-10-28 11:03:04 68
原创 canny edge detection(边缘检测)
建议搭配视频服用: 2.canny edge detection(canny边缘检测)_哔哩哔哩_bilibili常用图像卷积核类型小结_高斯卷积核-CSDN博客 二维正态(高斯)分布 线性可分、可以做平滑、去掉随机噪声。像素点会被周围的像素点影响,所以使用高斯卷积核可以一定程度上去噪。 边缘的变化率最大。求导最大,但是像素没有办法求导,因为它是离散值。所以运用差商来代替,像素距离都一样,所以使用像素差也是一样的。 sobel就是这样的原理。线性插值法模拟g1、g3。看c点是否是极大值。去掉一些可能不是边
2023-10-28 10:00:01 156 1
原创 (论文阅读7-19)目标检测
公式求取的感受野通常很大,而实际的有效感受野往往小于理论感受野,因为输入层中边缘点的使用次数明显比中间点要少,因此作出的贡献不同,所以经过多层的卷积堆叠后,输入层对于特征图点做出的贡献分布呈高斯分布形状。其中,反卷积是一种常用的上采样方法,它通过卷积操作将低分辨率的特征图转换为高分辨率的特征图。Bounding box regression是受DPM算法的启发的,它通过训练一个线性回归模型,给予一组特征(CNN提取的特征),来预测一个新的检测框,这个新框的偏移量是这个Regression预测的目标。
2023-10-20 10:30:10 63
原创 神经网络权重初始化(w)
而BN(Batch Normalization)的想法简单粗暴,发生了没关系,我再加一层 layer,不厌其烦得把每次输出的分布都纠正回来。随着网络深度加深,输入值的分布逐渐发生偏移,之所以训练收敛慢,一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近,导致反向传播时低层神经网络的梯度消失。早期的参数初始化普遍是将数据和参数normalize为高斯分布(均值0,方差1),但随着神经网络深度的增加,这个方法并不能解决梯度消失的问题。初始值相同,变化值相同,更新后的值依然相同,这显然是不能接受的。
2023-10-10 15:50:12 192 2
原创 (论文阅读1-6)基本网络架构及知识
1.深度残差网络、目标函数变为F(x)=H(x)-x; 2.PReLU 3.BN批量归一化 4.Inception 网络结构 5.Vgg16 6.AlexNet 2012
2023-10-10 09:21:55 42 1
原创 Ubuntu20.04安装区块链项目所需的nodejs、go、truffle、solidity、geth
Ubuntu20.04安装区块链项目所需的nodejs、go、truffle、solidity、geth(windows安装了两天解决了n个bug以后,发现最好用ubuntu或者macos做。于是在虚拟机里面安装了Ubuntu20.04)
2022-12-14 01:47:08 1377 2
原创 npm start报错Error: error:0308010C:digital envelope routines::unsupported
npm start报错Error: error:0308010C:digital envelope routines::unsupported
2022-12-13 13:04:54 4459 1
数据库实验(1-4)SQL Server 2012数据库系统
2022-12-11
算法课设 逃狱的汉尼拔博士(C语言)
2022-12-11
JAVA图形化成绩管理系统
2022-12-11
C语言课设-孤单星球 (成语接龙)
2022-12-11
C++课设 小型的账务计算系统
2022-12-11
大屏幕点阵显示器(基于51单片机的oled显示 )
2022-12-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人