qq_51946537-CSDN博客

原创项目实训十五

错误率可以按照如下公式计算：WER=Nsub W+NdelW+NinsWNW=Nsub W+NdelW+NinsWNsub W+NdelW+Ncor WW E R=\frac{N_{\text {sub }}^{W}+N_{d e l}^{W}+N_{i n s}^{W}}{N^{W}}=\frac{N_{\text {sub }}^{W}+N_{d e l}^{W}+N_{i n s}^{W}}{N_{\text {sub }}^{W}+N_{d e l}^{W}+N_{\text {cor }}^{W

2022-06-08 18:33:14 153 1

原创项目实训十四

将pytorch模型封装成接口由于前面对于模型的构建、训练、评估都以完成，接下来要做的就是将按照项目要求，将模型成接口，供后端直接调用。由于前面的测试模型的正确率都是批量处理过的图片，而现在前端只会传过来要解码......

2022-06-03 13:34:53 188

原创项目实训十三

模型选择我们训练了多个模型，总的有两大类，前面介绍了，这两种的不同之处主要是decoder的不同。一种是string类型的解码器；另一种是tree类型的解码器。两种模型有各自的优缺点，以下均是通过实验得到：stringDecoder优点：相比于treeDecoder，符号的预测准确度高，高达89.96%。我们通过分析测试的结果和生成的latex序列，我们认为，在训练集足够大的话，如果所预测公式的结构在以及latex序列的长度出现过的话，排除一些模糊符号，比如o和0，x和X的差距，预测结果是可以保证正

2022-05-30 11:09:46 132

原创项目实训十二

图片预处理由于该模型使用的数据集是CHROME比赛提供的数据集，图片均是二值化数据，而用户输入的图片可以是任意的，因此我们需要对传入模型的图片做预处理。最初我们尝试使用直接将图片进行二值化，得到的效果很不好，因为直接处理会使图片的许多数字符号变得千奇百怪，这直接输入模型得到的latex序列正确率不到20%。因此，图片处理的好坏直接影响了模型的预测结果。因此我查阅了有关图像处理方向的资料，找到了一种效果较好的方法。首先，将图片转为灰度值其次，根据需求进行二值化处理处理前后的对比如下：找了

2022-05-28 16:28:02 136

原创项目实训十一

因为没有更多的数据集，我们使用CROHME比赛给的官方训练集，虽然不多，但是也有八千多张，在使用了前面所述的模型训练后，我们对预测结果进行了详细分析像素级辅助分类损失为了更好的优化编码器让其具有更好的特征提取能力，我们添加了一个像素级的辅助分类损失函数。在编码器得到的特征图A中，我们直接对每个位置的特征向量进行分类。利用像素级特征ai\mathbf{a}_{i}ai，可以通过两个全连接层和两个激活层获得像素级分类概率pipixel \mathbf{p}_{i}^{\text {pixel }

2022-05-23 11:53:41 412

原创项目实训十

latex转为image模型预测生成的latex序列，为了更好的展示效果以及增强容错性，可以修改生成的latex序列，然后展示公式图片查看正确性，我们选择添加一个模块，将生成的latex序列转换为图片，并完成了代码编写。转换效果图手写公式图片转换为的latex序列生成的图片...

2022-05-19 13:48:25 74

原创项目实训九

分支预测模块

2022-05-16 09:58:21 92

原创项目实训八

树形解码器的decoder部分在解码器的每个解码步骤中，树解码器需要预测当前子节点的信息，包括子节点和子节点的分支，节点的分支表示节点与子节点之间的空间关系。我们可以通过节点类别和分支来逐步构建一棵数学树。如下图所示，为了解耦分类和空间关系预测，我们在解码器中设计了两个模块：节点分类模块和分支预测模块。节点类模块节点类模块主要包括两个GRU，一个注意力机制和一个分类器，我们首先使用两个嵌入层去获得父节点ptp_{t}pt高维的特征向量etp\mathbf{e}_{t}^{\mathrm{p}}et

2022-05-09 10:57:13 184

原创项目实训七

Scale Augmentation对于上周提出的Scale Augmentation思想，经过将近一个周的多次训练，测试结果吓显示模型并没有在2014年的测试集上正确率并没有提高，但是也没有降低，这说明经过规模扩充的数据集，经过DenseNet网络提取的特征并没有很大的差距，因此对结果影响并不大。注意力机制但是，针对ABM的注意力机制，还存在着一些不太完善的地方，从测试结果可以看出，有一部分测试集的一些符号出现了多次解码或干脆没有解码。于是我计划对比测试结果与真是结果之间的差距，对测试结果进行统一分

2022-04-30 09:44:46 120

原创项目实训六

算法改进策略这两周在看其他论文的时候，当看到 Improving Attention-Based Handwritten Mathematical Expression Recognition with ScaleAugmentation and Drop Attention 认为其中的思想Scale Augmentation对现有模型会有一定的提高，下面对Scale Augmentation思想进行简述：与手写文本不同，ME具有复杂的二维结构和各种大小的符号.如果通过保持高宽比将多行MES标准化为同

2022-04-21 14:46:46 206

原创项目实训五

数据处理函数这两周的主要任务是完成数据集处理代码的编写，因为单张加载训练集数据图片较慢，所以统一处理成pkl格式的数据放在一个文件中，以便于在每一轮训练中进行更快的加载数据。其次，针对指定的batch_size以及对每个batch的最大长度进行限制，训练集进行打包，返回特征和标签以及对应的编号。即是完成dataIterator(feature_file, label_file, dictionary, batch_size, batch_Imagesize, maxlen, maxImagesize)

2022-04-13 16:02:56 136

原创项目实训四

本周的工作主要是阅读了手写公式识别这个领域的论文，对这个领域的相关工作有了大致的了解，方向也更加明确，主要阅读的论文有Watch, attend and parse An end-to-end neural network based approach to handwritten mathematical expression recognitionHandwritten-mathematical-expression Recognition via Paired Adversarial Learn

2022-04-05 16:37:03 224

原创项目实训三

目录深度学习pytorch深度学习本周主要学习了深度学习的相关内容，包括常见的神经网络模型，比如感知器——也叫做单层神经网络，因为仅包含两层前馈（FF）——前馈神经网络是一种其中的节点不会形成循环的人工神经网络。在这种神经网络中，所有的感知器都被安排在输入层接收输入，输出层产生输出。隐藏层与外部世界没有联系，这就是为什么它们被称为隐藏层。在前馈神经网络中，一层的每个感知器与下一层的每个节点连接。因此，所有节点都是完全连接的。需要注意的是，同一层中的节点之间没有可见或不可见的连接。在前馈网络中没有后

2022-03-27 09:01:37 136

原创项目实训二

在阅读文献阶段，由于缺乏机器学习的基础知识，论文内容难以读懂，于是转向基础知识的学习。近两周，将以周志华的机器学习西瓜书为依托，对机器学习方面的相关知识进行学习，为更好的理解论文内容打基础。...

2022-03-13 12:43:08 144

原创项目实训一

项目背景公式在科学文献中起着至关重要的作用，对于描述数学、物理和许多其他领域的问题和理论是必不可少的，手写公式的识别多年来一直是一个活跃的研究领域。本项目对手写公式的智能识别开展研究，针对试卷中的手写体数学公式，旨在根据手写数学公式图像生成数学表达式序列，即将手写笔画的二维语言翻译成计算机可以使用的序列形式，如LATEX或MathML等数学描述语言，进而判断公式书写的正误。重难点分析公式的识别与传统的OCR文本识别问题不同，手写公式相较于传统OCR问题而言，是一个更复杂的二维手写识别问题，其内部复杂

2022-03-13 12:25:49 391

原创 Linux内核中的dm-crypt模块的异步IO改造---blog18---项目总结

2021SC@SUDSC

2021-12-26 21:35:59 507

原创 Linux内核中的dm-crypt模块的异步IO改造---blog17

2021SC@SUDSC目录dm-crypt分析crypt_ctr函数crypt_map函数在学习了前面的只是后，就可以对dm-crypt进行分析了。dm-crypt分析首先，需要明确的是，dm-crypt是dm构架中用于块设备加密的模块。dm-crypt通过dm虚拟一个块设备，并在bio转发的时候将数据加密后存储来实现块设备的加密，而这些对于应用层是透明的。其target_type的定义如下：static struct target_type crypt_target = { .name

2021-12-24 19:03:31 377

原创 Linux内核中的dm-crypt模块的异步IO改造---blog16

2021SC@SUDSC目录一、同步块加密二、异步块加密三、总结前面已经介绍有关加密算法的相关知识，在此基础上，就去学习了一下其具体实现，下面介绍一下同步块加密和异步块加密。一、同步块加密因为前面已经很介绍了AES的cbc加密模式，下面就看一个例子，在/drivers/crypto/geode-aes.c中。这是一个属于AMD硬件加密引擎的驱动，以算法模块方式插入到内核中，驱动硬件进行加解密。其注册使用的数据结构：static struct crypto_alg geode_cbc_alg =

2021-12-19 10:02:01 334