- 博客(15)
- 收藏
- 关注
RSS订阅原创 tensorflow
在TensorFlow的世界里，变量的定义和初始化是分开的，一开始，tf.Variable 得到的是张量，而张量并不是具体的值，而是计算过程。因为tf.Variable 生成的是一个张量，那么 name 就是一个张量的名字，如果你不主动声明的话，就是默认的 Variable而如果你要得到，变量的值的话，那么你就需要对张量进行计算，首先对变量进行初始化，使用会话进行计算。 sess.run(tf.global_variables_initializer())对变量初始化之后，就可以直接计算变量，那么
2021-07-12 22:18:48
81
原创 solidworks学习相关
了解用户操作界面，正视于。常用快捷键设置：拉伸，切除，镜像，阵列。不需要的线不要直接删除，选择“构造线”就行。最一开始学习的时候要学习完全定义。在设计圆的时候，一定要确定圆心的位置，半径的大小，圆弧的大小。如果一个弧只标注了半径，那它就是过渡弧。裁剪实体中的强劲裁剪用于大段的裁剪，剪裁到最近端用于精细裁剪。延申：可以通过实体延申的方法也可以通过先固定，再重合的方法在移动实物之前一定要先把约束删掉修复草图功能也很强大在进行拉伸尽量选择两侧对称。在实体进行贯穿之后，有个很重要的功能——
2021-07-11 22:24:58
246
原创 强化学习相关
强化学习在学习了一段时间的机器人之后，我开始学习强化学习的相关课程。首先要了解的强化学习的体系，根据自己的情况，将强化学习分成了model-free和model-based两种，而我需要的是model-free，也就是创建虚拟环境来达到强化学习的目的。最开始的是Qlearning和Sarsa等强化学习方法，随着了解的深入，开始明白简单的强化学习是无法解决复杂问题的，所以需要引入神经网络。将强化学习的S（状态）和A（动作）作为输入，输入进神经网络，经过分析后得到动作的Q值，这样的目的是没有必要记录每一步
2021-06-26 12:04:59
258
原创 机器人相关知识
机器人的关节越多越灵活机器人是一个多输入多输出的系统。机器人包括sensor，作为置位器的电脑或是process，马达等的自动器。空间中的点需要有六个自由度去处理，三个在位置，三个在方向。只有在自由度和关节数match的时候，求解才是有限的。一般是以6为自由度作考量。compliance 需要柔软度。力和速度合在一起的顺应性控制。differential relationship 规划路径 到空间的点 需要引入动力学，通常动画很假是因为缺少很多物理性质。相对的，如果动力学模拟的很好的话
2021-05-22 18:48:46
696
原创 RCNN fast RCNN faster RCNN的区别
RCNN它的原理是通过提取多个Region Proposal（候选区域）来判断位置，作者认为以往的对每个滑动窗口进行检测算法是一种浪费资源的方式。在RCNN中，不再对所有的滑动窗口跑算法，而只是选择一些窗口，在少数窗口上运行CNN。大致流程：1.输入图像2.利用selective search对图像生成大概两千个候选区域（region proposal），这个量比传统的算法要少很多。具体一点的话就是选出region proposal的方法是运行图像分割算法，对于分割算法跑出来的块，把它作为可能的re
2020-11-30 10:27:38
244
原创 数据集的问题
1今天首先出的一个问题就是验证集的正确率比测试集的还要低。验证集的正确率是96，测试集的正确率是98。想了想之后我觉得是因为我的代码中验证集的correct是一直在累加的，没有一个回零过程，这就造成了验证集的correct从最一开始的正确率很低就开始累积，直到训练结束的时候，这个概率里面仍然统计着一开始的错误结果，然而测试集在进行测试的时候，从一开始就使用的是训练好的模型，所以测试集的正确率就比验证集还要高。2第二个问题就是，我使用的代码，是在训练的for循环中嵌套了一个for循环的验证过程，这个过程
2020-11-17 15:23:28
1252
1
翻译 rcnn翻译
按照师兄所说，我决定先对RCNN进行学习，今天在进行搜索RCNN的时候，大部分的人都是在针对《Rich feature hierarchies for accurate object detection and semantic segmentation》这篇论文进行解读，所以我也下载了这篇文献尝试进行阅读。本文题目翻译过来就是针对目标检测和语义分割的多特征级，按照我的理解就是在进行目标检测和语义分割的时候使用了多层特征级。目标检测中衡量识别精度的指标是mAP（mean average precisio
2020-11-17 15:22:02
399
原创 面向对象的学习
以前的python学习都是面向过程的，过程跟函数的区别就在于过程是没有返回值，函数有返回值的。之前学习的变量、数据、函数都是对象。对象=属性+方法。在设计一个类的时候，通常要满足以下三要素：1.类名 这类事物的名字，满足大驼峰命名法2.属性 这类事物具有什么样的特征3.方法 这类事物具有什么样的行为类名的确定名词提炼法 分析 整个业务流程，出现的 名词，通常就是找到的类属性和方法的确定对 对象的特征描述，通常可以定义成 属性对象具有的行为（动词），通常可以定义成 方法利用好dir()
2020-11-17 15:05:27
704
原创 神经网络的学习
整个深度学习就是靠梯度下降算法撑起来的。整个运行的过程就是求解一个巨大的函数，求解这个函数的方法使用的就是梯度下降算法。Conv2d(imput, output, kernel_size, stride, padding)其中output就是卷积核个数，下层卷积层的输入跟上层卷积层的输出应保持一致。stride为步长，如果不标注的话默认为1。padding为零填充，它的作用是可以使卷积过程从卷积核的中心开始。一般情况下，采用的kernel_size为3*3的。超参数：epoch,learning
2020-10-17 11:12:24
2451
原创 激光测距
关于激光测距由于目前煤炭开采越来越多，开采的难度越来越大，未经开发的矿物资源越来越深，为了得到更好的开采条件，MAYA-一种基于激光的光发射分析仪产生了。它可以实时确定传送带上的物料元素组成。激光测距法目前在尖端激光光谱技术处于世界领先地位，在分析传送带上的物料组成方面也是先驱者。MAYA技术也可以应用进自动控制系统，比如碎矿的分类、及时调整剂量、调整水和浮选试剂的比例等。但是它为了提升质量而拒绝了不合格的原料等原因，仍需要改进。它主要应用在金属矿物方面。MAYA on-line analyzer e
2020-10-17 11:07:19
234
原创 光谱
光谱分辨率：可以被探测的最小波长间隔一般来说，传感器的波段数越多，波段宽度越窄，光谱分辨率越高，地面物体的信息越容易区分和识别，针对性越强。成像光谱仪所得到的图像在对地表植被和演示的化学成分分析中具有重要意义，因为高光谱遥感能提供丰富的光谱信息，足够的光谱分辨率可以区分出那些具有诊断性光谱特征的地表物质。与光谱分辨率相对的是空间分辨率指遥感图像上能够详细区分的最小单元的尺寸或大小，是用来表征影像分辨地面目标细节的指标，通常用像元大小、像解率或视场角来表示。（简单说就是遥感影像上能够识别的两个相邻地物
2020-10-17 11:06:50
1068
原创 opencv
cv2.IMREAD_COLOR：彩色图像cv2.IMREAD_GRAYSCALE：灰度图像每一个像素点的值是由0-255组成的。（一般都是RGB三颜色通道组成的）将图片输入进计算机，将图片转换成像素矩阵的形式。将输出图像的过程定义为一个函数。这样输出的形式就是像素矩阵形式，并输出一个图片。在waitkey括号里面的数字表示等待关闭的毫秒数，当数字为0的时候，输入任意键可关闭窗口。直接用shape语句可以获得图像的属性。.size可以查出图像的大小，dtype可以查询图片的类型。可以改变固
2020-10-17 11:06:06
72
原创 python学习
变量message = “Hello Python world!”print(message)message = “Hello Python Crash Course world!”print(message)这样得到的输出是两行不同的输出，每个print都是一个独立的输出。变量在命名的时候不能将数字作为开头，需要使用下划线（_）来将单词隔开。字符串name = “ada lovalace”print(name)print(name.title())#将每个单词的首字母大写Ada Lo
2020-10-17 11:05:48
108
原创 机器视觉
机器视觉导论图像分类线性分类器K折交叉验证全连接神经网络多层感知器（全连接神经网络）激活函数SOFTMAX和交叉熵计算图与反向传播再谈激活函数Adam算法Xavier初始化（应用于sigmoid函数）HE初始化或MSRA（用于ReLU函数）批归一化欠拟合、过拟合与Dropout过拟合现象：得到的模型在训练集上的准确率很高，但在真实的场景中识别率很低。对训练数据预测很好，但对未知数据预测的很差，说明只是单纯的记住了训练集的数据，而不是学习到了数据特征。欠拟合：模型描述能力太弱
2020-10-17 11:04:41
456
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人