- 博客(46)
- 收藏
- 关注
RSS订阅原创 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