- 博客(224)
- 收藏
- 关注
RSS订阅转载 conda环境安装指定位置的虚拟环境
这时我们可以输入conda config --show envs_dirs来查看一下当前的环境目录，如下。可以看到，成功进入了自己的虚拟环境。接着，我们就可以在自己的虚拟环境里下载或卸载各种包，而不用担心影响其他人的虚拟环境了。如果你输入conda env list就会发现，虚拟环境虽然是创建成功了，但是没有名字呀！如果下载完包，不用自己的虚拟环境了，就可以输入conda deactivate退出，如下。加完环境目录后，再conda env list就可以看到我们的虚拟环境彻底建好了。
2024-02-22 15:22:14
1540
转载 yolov7 图解
对比yolov7 e6 yaml 与 yolov7 e6e yaml。yolov7训练自己的数据集与yolov5类似，参考之前的文章。二、yolov7 ymal， ELAN结构分析。发布于 2023-07-03 20:06。Conv块 又称为 CBS。一、yolov7网络架构图。对照论文中的ELAN结构。yolov7 模型缩放。三、E-ELAN结构。
2023-12-29 16:52:39
3056
转载 【时间序列】Transformer for TimeSeries时序预测算法详解
2017年，Google的一篇为我们带来了，其在NLP领域的重大成功展示了它对时序数据的强大建模能力，自然有人想要把Transformer应用到时序数据预测上。在Transformer的基础上构建时序预测能力可以突破以往的诸多限制，最明显的一个增益点是，Transformer for TS可以基于Multi-head Attention结构具备同时建模长期和短期时序特征的能力。
2023-12-01 15:55:51
4504
3
转载 机器学习集成学习——GBDT（Gradient Boosting Decision Tree 梯度提升决策树）算法
本文主要介绍GBDT算法，以及使用梯度提升算法和决策树分类器对手写数字数据进行对比分析的案例介绍DT－Decision Tree决策树，GB是Gradient Boosting，是一种学习策略，GBDT的含义就是用Gradient Boosting的策略训练出来的DT模型在前几年深度学习还没有大行其道之前，GBDT在各种竞赛是大放异彩。一是效果确实挺不错。二是即可以用于分类也可以用于回归。
2023-11-29 09:51:47
989
转载 一幅图真正理解LSTM、BiLSTM
本文对RNN、LSTM、BiLSTM的内部结构和输入输出做了透彻的剖析，目标是能够解答LSTM和BiLSTM的任何疑问。RNN：循环神经网络LSTM：长短期记忆网络BiLSTM：双向长短期记忆网络重要的先验知识本质上单个RNN cell是在多个时间步上展开的形式，也可以理解为RNN是神经网络在时序上的权重共享（CNN相当于空间上的权重共享）LSTM也都是一样。
2023-11-28 09:41:19
8047
转载 深度学习时间序列的综述
时间序列一般是指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。时间序列预测的任务就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻，导致经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。
2023-11-16 11:07:32
477
转载 pytorch实现BiLSTM代码
对于输出门，有两个分支，一个是直接变成下一层的隐藏变量，一个是表示这一层的输出。效果比原作者的效果要好一点，因为占位符我更改成了 -1，这样就不会影响到标签了。第一个遗忘门得到的结果是不是全都属于0-1的数，相当于不同的权重。只表示最后一层的输出，所以output[-1]==hc的。#随机初试化隐藏变量和记忆细胞变量。文章知识点与官方知识档案匹配，可进一步学习相关知识。其实每一层的输出，都直接拼接在一起了，而。word就直接与word。idx的键值对调换就行了。根据自己的电脑配置更改，最后祝大家学有所成！
2023-11-16 10:20:39
851
1
转载 一幅图真正理解LSTM、BiLSTM
本文对RNN、LSTM、BiLSTM的内部结构和输入输出做了透彻的剖析，目标是能够解答LSTM和BiLSTM的任何疑问。RNN：循环神经网络LSTM：长短期记忆网络BiLSTM：双向长短期记忆网络重要的先验知识本质上单个RNN cell是在多个时间步上展开的形式，也可以理解为RNN是神经网络在时序上的权重共享（CNN相当于空间上的权重共享）LSTM也都是一样。
2023-11-15 12:31:46
2504
转载 大名鼎鼎的LSTM详解
然而它为什么叫遗忘门呢，下面是我自己的看法，前面也说了,σ的输出在0到1之间，这个输出 f_t逐位与C_{t-1}的元素相乘，我们可以发现，当f_t的某一位的值为0的时候，这C_{t-1}对应那一位的信息就被干掉了，而值为(0, 1)，对应位的信息就保留了一部分，只有值为1的时候，对应的信息才会完整的保留。说实话，这个图确实很清晰明了（对于懂的人来说），一些很“显然”的问题就被忽略了，但是对于刚入门的人来说，一些基础的问题却要搞很久才能弄明白，我在原作者讲的很清楚的情况下再补充新手需要的内容。
2023-11-14 18:01:58
578
转载 基于pytorch的LSTM预测实现
在下图中，单个LSTM单元，输入量有3个，输出量其实只有两个（output与ht是一样的），我把里面的各种门理解为一个权重，三个输入的权重比。虽然模型还是没有实现真正的预测（不像Informer那样预测未来，我看到过与开源代码实现了单输入单输出的预测，他使用tolist的方法实现，我没有继续研究下去，不知道多输入单输出是否有类似的方法），我只是实现了多输入单输出，没有实现多输入多输出（有几个博主的付费内容有提到这点，但我不知道他们有没有具体实现。
2023-11-14 17:59:03
404
转载 informer自定义数据集
假设数据维度是317天的数据，滑动窗口为120天预测未来20天数据，num_train = 221 ， num_test = 63 ，num_vali = 33 ， border1s = [0, 101, 134] ，border2s = [221, 254, 317]，这可以设置为s，t，h，d，b，w，m（s：秒，t：分钟，h：小时，d：每天，b：工作日，w：每周，m：每月）。这可以设置为M、S、MS（M：多变量预测多变量，S：单变量预测单变量，MS：多变量预报单变量）否则将是获得一个标准化的预测。
2023-11-14 11:48:31
2091
1
转载 AAAI最佳论文Informer 解读
那么Informer是做什么的呢？主要针对长序列预测（Long Sequence Time-series Forecasting, LSTF）目前Transformre具有较强的捕获长距离依赖的能力，但传统的Transformer依然存在以下不足，因此Informer做出了一些改进。上面的三个改进猛地一看可能让人摸不着头脑没关系我们接着往下看论文中提出的EncoderStack 其实是由多个Encoder 和蒸馏层组合而成的那么我们来详细解释一下上面的这张图。
2023-11-13 11:33:40
678
转载 Informer算法原理与代码详解
Informer是2021年时序领域的best论文，仔细阅读文章和代码会发现这篇文章的思路、论点和代码框架写的是真的好，让人看着赏心悦目，此后的时序预测算法也大多是在Informer的基础上进行的，包括输入输出的格式、特征编码的方式等。
2023-11-13 11:05:08
1275
转载 基于Informer的股价预测（量化交易综述）
股票市场是金融市场中不可或缺的组成部分。准确预测股票趋势对于投资者和市场参与者具有重要意义，因为它们可以指导投资决策、优化投资组合以及降低金融风险。而且可以提升国家国际地位以及金融风险控制能力，还可以促进股票市场发展以及资源优化利用。与此同时，股票趋势预测算法作为时间序列预测领域的重要分支，在其它时序预测分支上也具备通用性。而量化交易就是利用数学模型和计算机技术来进行投资交易决策的一类方法，旨在增加投资回报率。随着信息技术和数据处理能力的不断提升，量化交易在金融市场中的真实应用越来越广泛。本论文介绍了量化交
2023-11-10 17:21:10
2080
转载 HTTP、TCP和UDP之间的区别，你真的清楚吗？
在解释HTTP、TCP和UDP之前的区别之前，先为大家介绍一下三者的含义。传输控制协议（TCP，Transmission Control Protocol）是一种面向连接的、可靠的、基于的传输层通信协议，由IETF的RFC 793 [1] 定义。TCP旨在适应支持多网络应用的分层协议层次结构。连接到不同但互连的计算机通信网络的主计算机中的成对进程之间依靠TCP提供可靠的通信服务。TCP假设它可以从较低级别的协议获得简单的，可能不可靠的数据报服务。
2023-11-06 16:59:19
331
转载 预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。
2023-11-01 11:21:10
4224
1
转载 时序预测的深度学习算法全面盘点
深度学习方法是一种利用神经网络模型进行高级模式识别和自动特征提取的机器学习方法，近年来在时序预测领域取得了很好的成果。常用的深度学习模型包括循环神经网络（RNN）、长短时记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）、注意力机制（Attention）和混合模型（Mix ）等，与机器学习需要经过复杂的特征工程相比，这些模型通常只需要经数据预处理、网络结构设计和超参数调整等，即可端到端输出时序预测结果。
2023-10-25 16:06:34
536
转载 2021 AAAI best Paper - Informer-2020 学习记录
这篇文章是来自AAAI的best paper，目前已经开源在github，这里博主记录一下自己的学习过程。项目使用pytorch开发，按照readme要求的环境即可，环境没有问题的话基本不需要改动即可完美调试，博主开始时pytorch版本太低，所以导致了很多问题，当然这个调试修改的过程也并非是毫无用处，它可以让我们对项目的理解更加深刻。
2023-10-25 14:14:02
226
转载 yolov5超参数解释（hyp.scratch-low.yaml）
在模型训练中，超参数的调整是必不可少的。有时候看到结果，分析之后发现是过拟合，这时候就需要对自己的模型超参数进行调整，以达到最优效果等等。这里对yolov5中的文件超参数进行调整。关于的超参数写完了，我觉得在模型训练中，适当的调整这些超参数还是很有用的。文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能深度学习355605人正在系统学习中。
2023-10-24 14:09:33
2338
1
转载 基于LSTM实现多变量预测（Tensorflow2实现）
TensorFlow 2.0 基于LSTM多变量_共享单车使用量预测: https://www.bilibili.com/video/BV1y5411K7NRfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.metrics import r2_scoreimport tensorflow as tffrom tensorflow.k
2023-10-23 14:51:52
918
转载 从零开始实现，LSTM模型进行单变量时间序列预测
根据数据绘制结果，可以发现数据呈现较快的增长趋势，范围跨度也比较大，为便于训练，我们将训练数据进行归一化处理，归一化的方法是min/max方法，该方法归一化后的数据值域为[-1, 1]。进行时间序列预测，那么我们首先需要明确输入LSTM的时间序列的步长，由于我们输出的是多个年份的数据、且数据以月为单位，所以可以很自然想到使用12作为我们输入时间序列长度。可以发现预测的值在总体的趋势上与实际类似，但是在预测数值还存在一定的差距，这里只是为了说明如何使用LSTM进行单变量进行预测，所以不过分追求精度。
2023-10-17 17:51:19
1061
转载 三维重建方法总结
1. 简介1.1 传统的三维重建算法1.2 三维重建领域主要的数据格式2. 主流重建方法2.1 多视几何三维重建2.1.1 SfM（Structure from Motion）方法2.2 基于双目/多目视觉2.3 基于消费级RGB-D相机2.4 基于深度学习的三维重建2.4.1 基于单张RGB图像的三维重建2.4.2 基于多视图的三维重建2.4.3 基于点云数据的三维重建2.5 按数据源格式分类2.5.1 基于体素2.5.2 基于点云2.5.3 基于网格3. TSDF3.1 定义3.2 融合。
2023-10-11 11:47:10
3355
转载 三维重建方法汇总
三维重建三维重建是用相机拍摄真实世界的物体、场景，通过计算机视觉技术进行处理，从而得到物体的三维模型。主要涉及技术包括：多视图立体几何、深度图估计、点云处理、网格重建和优化、纹理贴图、马尔可夫随机场、图像分割等。主要应用领域包括：增强现实、混合现实、机器人导航、自动驾驶、工业工件尺寸检测、平整度检测等。
2023-10-11 11:36:45
3243
转载 imgaug 图像增强方法
imgaug 是一个比torchvision更强大的数据增强工具包，这不仅体现在数据增强类别上，也包括数据增强方法的使用。比如，imgaug不仅提供了一些常见的shape增强方法和color增强方法，例如旋转、对比度等，也提供了加雨、加雾这些增强方法。此外，imgaug也可以设置keypoint等，对比数据增强前后关键点未知的变化。
2023-09-11 10:33:05
630
1
转载 error LNK2019: 无法解析的外部符号 _gzputs，该符号在函数 “void __cdecl icvPuts(struct CvFileStorage *,char const
问题出在opencv_core249d.lib上，虽然添加了opencv_core249d.lib，但似乎opencv_core249d.lib还要需要引用其他.lib。icvPuts@@YAXPAUCvFileStorage@@PBD@Z) 中被引用。error LNK2019: 无法解析的外部符号 _gzputs，该符号在函数 "void __cdecl icvPuts(顺利解决问题，不知道其中的原因，希望高手能指教！
2023-09-08 14:19:56
219
转载 【YOLOv7绘制labels.jpg和labels_correlogram.jpg】只用更改一处代码+附带这两个图的解释
数据每个类别数量直方图（左上角）、把所有框的x和y中心值设置在相同位置看每个训练集数据每个标签框的长宽情况（右上角）、绘制 x, y 变量直方图来显示数据集的分布（左下角）、绘制 width, height 变量直方图来显示数据集的分布（右下角）。: 汇总训练集数据的标签labels，并画出训练集数据标签 x, y, width, height 4个变量之间的关系图（或非线性，有无较为明显的相关关系）
2023-09-06 10:52:22
993
转载 三维重建算法综述|传统+深度学习方式
目前，三维重建技术已在游戏、电影、测绘、定位、导航、自动驾驶、VR/AR、工业制造以及消费品领域等方面得到了广泛的应用。方法同样也层出不穷，我们将这些方法依据原理分为两类：•基于传统多视图几何的三维重建算法•基于深度学习的三维重建算法总的来说，尽管目前传统的三维重建算法依旧占据研究的主要部分，但是越来越多的研究者开始关注于用CNN探索三维重建，或者说，两者之间的交叉与融合。有人问，在三维重建中引入深度学习方法有什么意义？我将意义概括为三部分：•为传统重建算法性能优化提供新的思路。
2023-07-24 09:33:42
4592
1
转载 实例分割新思路之SOLO v1&v2深度解析
前言实例分割一般有两种做法，一种是top-down，既先检测 bbox，后在每个bbox中进行mask的分割，例如Mask R-CNN。第二种为bottom-up做法，先分割出每一个像素，再进行归类。本文介绍的两篇论文另辟蹊径, 直接分割实例 mask，属于box-free的做法。正如YOLO大神Joseph Redmon所说。本文就是摒弃了boxes进行实例分割，因此有必要对该论文进行深入分析。论文地址:v1:https://8，v2:https://2。
2023-07-20 09:43:05
648
转载 复制-粘贴大法（Copy-Paste）：简单而有效的数据增强
建立有效的实例分割模型，并能处理罕见的对象类别是计算机视觉中一个重要的挑战。数据增强是应对这一挑战的一个有前途的方向。在这里，我们在实例分割方向对复制-粘贴增强进行了系统的研究，如随机地将对象粘贴到一张图像上。先前对复制粘贴的研究依赖于对周围视觉环境的建模来。然而，我们发现随机粘贴对象的简单机制已经足够好了，并且可以在强baseline之上提供稳定的增益。此外，我们通过半监督方法证明复制-粘贴带来的性能是可叠加的，该方法通过伪标签利用额外的数据(如自训练)。
2023-04-26 22:33:50
2174
转载 目标检测难题 | 小目标检测策略汇总
也就是说，anchors可以预先设置，有时对你的训练数据不是最优的。tile可以有效地将检测器聚焦在小物体上，但允许你保持所需的小输入分辨率，以便能够运行快速推断。一旦你有了更高分辨率的图像，你就可以放大模型的输入分辨率。也许，你认为数据集中的小物体不值得检测，所以你可能希望将其拿掉。非常小的物体的边界框中可能只包含几个像素，这意味着增加图像的分辨率可以增加探测器可以从那个小盒子中形成的丰富特征，这是非常重要的。如果你在训练中使用tile，重要的是要记住，你也需要在推理时tile你的图像。
2023-04-16 12:59:18
459
转载 YOLOV7: indices should be either on cpu or on the same device as the indexed tensor (cpu)
【代码】YOLOV7: indices should be either on cpu or on the same device as the indexed tensor (cpu)
2023-02-12 07:33:32
750
转载 paddledetection使用solov2进行实例分割操作记录
1.准备数据首先需要将数据集转换为标准COCO格式或VOC格式。2.选择模型PaddleDetection中提供了丰富的模型库，具体可在模型库中查看各个模型的指标，您可依据实际部署算力的情况，选择合适的模型，同时也可以根据使用场景不同选择合适的模型，具体参考特色模型。3.生成Anchor在yolo系列模型中，可以运行1目前支持的主要参数配置如下表所示：4.修改参数配置数据路径配置: 在yaml配置文件中，依据1.数据准备中准备好的路径，配置EvalReader和TestReader的路径。
2023-02-03 17:07:18
836
转载 PaddleDetection使用教程
1.准备数据首先需要将数据集转换为标准COCO格式或VOC格式。2.选择模型PaddleDetection中提供了丰富的模型库，具体可在模型库中查看各个模型的指标，您可依据实际部署算力的情况，选择合适的模型，同时也可以根据使用场景不同选择合适的模型，具体参考特色模型。3.生成Anchor在yolo系列模型中，可以运行1目前支持的主要参数配置如下表所示：4.修改参数配置数据路径配置: 在yaml配置文件中，依据1.数据准备中准备好的路径，配置EvalReader和TestReader的路径。
2023-02-03 17:04:35
3206
转载 利用labelme制作自己的coco数据集(labelme转coco数据集）
格式的数据集，由于本人深度学习刚刚学习不到一年，水平有限，在labelme生成的json文件转换到coco文件卡了很久，网上看一些博客也是各种报错，可能自己的电脑问题吧。下面说一下我自己遇到的坑，以作记录。和save with Image data（否则会报错，转换时需要）建议之间安装在conda(base)环境下，方便启用。在对应图片后面生成对应的labelme的label。回到labelme，选择对应图片的文件夹。#推荐使用镜像源，我自己比较喜欢豆瓣源。运行labelme2coco.py。
2023-02-03 16:31:16
2328
1
转载 实例分割&语义分割：A mini-survey
权重为相应的两个位置之间的特征相似性。具体来说，对于每一个像素，使用一个新型的十字交叉注意力模块捕获该像素的十字交叉路径上的其他像素的上下文信息，通过递归使用这个十字交叉注意力模块（两次就能捕获全局），每个像素就可以捕获全局的依赖。**其想法来自于光流(Optical Flow)，这是用于分析连续图像或者视频帧的动作，作者将不同层的特征看作是不同的视频帧，由于它们之间没有很好的对齐，所以看作是不同层发生的移动，通过光流的方式来得到这种移动，进而能够对未对齐的特征进行一定的修复使得它们能够对齐。
2023-02-02 22:59:55
626
转载 YOLOV7开源代码讲解--训练参数解释
数据集路径，默认为coco.yaml，主要定义数据集路径，以txt文件保存【训练集、验证集和测试集】，类的数量【默认nc=80】，类名【names】。训练中模型的参数定义，采用yaml文件【注意是training下的yaml，不是deploy下的】，可以用于模型的选择。设置为True，超参数优化，可以选择自己的更有的超参数(但资源消耗也很厉害)，一般情况下用不到。设备选择，如果是GPU就输入GPU索引【如0，1，2..】，CPU训练就填cpu。默认为False，如果想要开启该功能，需要指定模型路径。
2023-02-02 11:15:01
3246
2
转载 工业产品表面缺陷检测方法——综述
在工业生产过程中，由于现有技术、工作条件等因素的不足和局限性，极易影响制成品的质量。其中，表面缺陷是产品质量受到影响的最直观表现。因此，为了保证合格率和可靠的质量，必须进行产品表面缺陷检测。“缺陷”一般可以理解为与正常样品相比的缺失、缺陷或面积。工业产品正常样品与缺陷样品对比如图1所示。表面缺陷检测是指检测样品表面的划痕、缺陷、异物遮挡、颜色污染、孔洞等缺陷，从而获得被测样品表面缺陷的类别、轮廓、位置、大小等一系列相关信息。人工缺陷检测曾经是主流方法，但这种方法效率低下；
2023-01-29 17:18:26
3362
转载 python深度学习机器学习必备的学习网站集合！
给大家分享一下 最近做深度学习计算机视觉自然语言处理所需要的必备网站。非常的实用。有各种各样的项目。适合新手学习 进行资源数据代码探索！
2023-01-13 10:15:31
1206
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