weixin_38640670的博客

原创 深度学习相关知识汇总

· 绝对值损失：· hinge loss：· 交叉熵损失：· focal loss：在one-stage检测算法中，会出现正负样本数量不平衡以及难易样本数量不平衡的情况，为了解决则以问题提出了focal loss。hit的检测框就是正样本。容易的正样本是指置信度高且hit的检测框，困难的正样本就是置信度低但hit的检测框，容易的负样本是指未hit且置信度低的检测框，困难的负样本指未hit但置信度...

原创 RPC应用

rpc应用

原创 表格识别-pytorch

任务介绍：img2html；基础模型：RARE；输入：表格图片（检测到的表格）；输出：html；需要的朋友可以去我的GitHub，觉得不错的话点个star，ღ( ´･ᴗ･` )；...

原创 pytorch常用API

·torchvision.utils.make_grid()：make_grid的作用是将若干幅图像拼成一幅图像。其中padding的作用就是子图像与子图像之间的pad有多宽。·torch.clamp()：将输入input张量每个元素的夹紧到区间[min,max][min,max]，并返回结果到一个新张量。...

原创 pytorch并行相关

多GPU使用：CUDA_VISIBLE_DEVICES=0,1,2,3---推荐os.environ["CUDA_VISIBLE_DEVICES"] = "0,1,2,3"---推荐DataParallel(model, device_ids=[0, 1, 2,3])torch.cuda.set_device(id)---不推荐cuda:0表示将id为0的GPU设置为主GPU；相关链接：RuntimeError: module must have its parameters a

原创 pytorch常见问题

1. pytorch 的 dataloader 在读取数据时,设置了较大的 batchsize 和 num_workers. 然后训练一段时间报错:RuntimeError: Too many open files. Communication with the workers is no longer possible. Please increase the limit using ulimit -n in the shell or change the sharing strategy by c

原创 torch.optim相关

optim：torch.optim.SGD([ {'params': model.base.parameters()}, {'params': model.classifier.parameters(), 'lr': 1e-3}], lr=1e-2, momentum=0.9)Lambda LR：torch.optim.lr_scheduler.LambdaLR(optimizer,lr_lambda,last_epoch=-1)

原创 几句话说清可迭代对象，迭代器，生成器

可迭代对象：具有 __iter__() 方法的对象称为可迭代对象，该方法可获取其迭代器对象；迭代器：有 __iter__() 方法和 __next__() 方法的对象称为迭代器对象，该方法能够自动返回下一个结果，当到达序列结尾时，引发 StopIteration 异常。生成器：对于生成器，Python会自动实现迭代器协议，以便应用到迭代背景中。附：迭代对象本身不一定是迭代器，但可以通过其 __iter__() 方...

原创 h5py读写

import osimport numpy as npimport cv2import h5pydef save_image_to_h5py(path): f = h5py.File('data/h5/cat_or_not.h5', 'w') for idx, child_dir in enumerate(os.listdir(path)): # img = cv2.imread(os.path.join(path, child_dir)), (256, 256.

原创 HTML转PDF

1. 安装必要的包:pip install pdfkitpip install wkhtmltopdfapt-get install wkhtmltopdf2. 关闭display配置：vim ~/.bashrcexport QT_QPA_PLATFORM='offscreen'source ~/.bashrc3. 代码（需要注意html编码方式）：# -*- coding: utf-8 -*-# @Time : 2021/9/26 10:49# @Aut

原创 目标检测网络之Loss（五）

.

原创 （坑）目标检测网络之Head（四）

.

原创 （坑）目标检测网络之Neck（三）

.

原创 （坑）目标检测网络之backbone（二）

.

原创 （坑）目标检测网络之数据（一）

.

原创 ResNet（穿越视角）

时间能否倒流： 时间方向：A→B； A→B：可以； B→A：不可以； 原因：因为A到B有信息损失；如何实现穿越： 方法：完全模拟出过去某个时间的所有环境信息； 可以利用条件： 1. 史书、小说……； 2. 化石； 3. 当前信息（只用当前信息无法逆推出过去信息，因为中间有损失）；ResNet的...

原创 线程和进程的区别

整列火车---进程：火车车厢---线程： 进程包含多个线程：一列火车包含多个车厢；线程在进程下运行：车厢必须依赖于整列火车才可运行； 不同进程数据难共享：两列火车之间的乘客很难互换； 同进程不同线程数据易共享：同列火车各个车厢乘客很容易互换； 进程比线程消耗更多资源：多列火车比多个车厢更耗油； 进程间不会相互影响：两列火车不会相互影响； 线程影响整个进程：一个车厢挂了会影响到整...

原创 Beautiful Soup

https://cuiqingcai.com/1319.html

原创 cv2.approxPolyDP()

功能：主要功能是把一个连续光滑曲线折线化；输入： 格式：contour= array.shape=(n, 1, 2)；epsilon：滤掉的线段集离新产生的线段集的距离为d，若d小于epsilon滤掉，否则保留； close：指示新产生的轮廓是否闭合；approxCurve：放输出近似结果；输出： 格式：...

原创 cv2.minAreaRect()

功能：求出在点集下的最小面积矩形。输入： 格式： points = array.shape=(n, 1, 2)； 解释：其中points是点集，数据类型为ndarray，array((x1,y1),(x2,y2),....,(xn,yn))；输出： 格式：rect = tuple((x, y), (w, h), angle...

原创 CV和NLP的区别

本质（根）上没有区别，都是信息信号处理，都是高维信号的分解和组合，但是信号的结构特征有区别，所以需要不同的策略来挖掘数据信息，即使用不同的分解和组合策略；CV： 图像处理纹理信息； CV需要处理的信息： 挖掘纹理信息； 纹理信息上下文结构； 根据上下文组合纹理信息；NLP： NLP处理文本表意信息； NLP需要处...

原创 （坑）numpy常用API

（坑）

原创 简单python多进程（线程）

"""多任务实现方式： 进程 线程多任务： 定义： 同一时间内执行多个任务； 好处： 多任务的最大好处是充分利用CPU资源，提高程序的执行效率； 两种表现形式： 并发： 定义： 在一段时间内交替去执行多个任务； 场景： 1）任务数量大于CPU的核心数； 并行： 定.

原创 最简单的python装饰器

import timedef use_time(func): def wrapper(*args): start = time.time() result = func(*args) print('use time: ', time.time()-start) return result return wrapper@use_timedef count_even(num): count = 0 f.

原创 小波与神经网络的联系

学习数学可以解释万物，如果不能，那就再学学Q1：复杂不规律能不能拆解成简单规律？A1：能，傅里叶变换、拉普拉斯变换、小波变换、泰勒展开……Q2：不知道具体函数，只有散点能不能拟合连续函数？A2：能，传统机器学习、神经网络……，举例：傅里叶级数展开求系数需要知道原函数定义，但是实际场景中没有提供好的函数，所以可以用统计学（深度学习等）来拟合傅里叶级数展开系数（具体解释见深度学习问题总结-62）。Q3：神经网络是怎么分解任务（Q1）并再组合的？A3：单个神经元加激活就是简

原创 激活函数为什么可以增加非线性？

前言：· 线性基函数无论组合多少次结果都是直线（秩为1）：每条直线每个x位置的k是相等的，叠加k1+k2+k3……=K，最后是固定的，和x的位置无关，还是直线（kx永远拟合不出x2）；kx线性函数不是完备正交函数集，不能作为完备正交基的成员，所以无法组成任意形式的函数。kx只要乘以一个系数就可以变成其他函数，但是cos(nΩt)乘上系数不会变成其他正交基；· 非线性基函数，可以组合出任意函数，比如三角函数集（秩为无穷）：每条非直线在每个x位...

原创 完备正交函数集有如下两个定理

（1）任何一个信号f(t)都可以在区间(t1,t2)内精确地表示为这个完备正交函数集中各函数的线性组合，即：其中Ci为加权系数，Ci为：上式称为正交展开式，有时也称为广义傅里叶级数，Ci称为傅里叶系数。注：若基函数满足单位正交性且为实数，即(如，三角函数集满足此条件），那么可写作：（2）在（1）的条件下，根据此时均方误差为0，可得：这就是帕塞瓦尔（Parseval）方程（等式）。它表明，在区间(t1,t2)，信号f(t)的能量恒等于f(t)在完备正交函数集中分解的各正交分

原创 数字图像处理（刚萨雷斯）

1. 频域分析：低通滤波器：理想滤波器巴特沃斯（butterworth）滤波器（中）、高斯滤波器（右）： 高通滤波器：和低通正好相反：振铃效应振：如果滤波器变化比较剧烈（比理想滤波器）就会引起振铃效应，因为在频域的急剧变化需要很多正交基函数叠加；同态滤波器：同时兼顾高频和低频：疑问：为什么需要ln呢，f只是假设分成i和r分量，实际并分不开，对数后没变化为什么要取对数？？？同态滤波器编程过程...

原创 （坑）拉普拉斯变换总结

原创 傅里叶变换总结

↓

原创 网络结构策略

1.

原创 网络卷积策略

1. DCN2. CoordConv

原创 其他策略

1. SoftNMS2. MatrixNMS

原创 半监督目标检测yolo+FixMatch

目前实验发票印章检测，只需1张训练集即可达到0.921（mAP.5），如果用31张训练集可达到0.952（mAP.5），无标签数据均使用600张。待填坑，敬请期待……

原创 yolov5解读

1. 网络结构1.1 网络整体结构1.2 网络子结构 2.网络技巧2.1 Focus Focus模块在v5中是图片进入backbone前，对图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，长的差不多，但是没有信息丢失，这样一来，将W、H信息就集中到了通道空间，输入通道扩充了4倍，即拼接起来的图片相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最...

原创 pytorch学习记录

nn.ModuleList和nn.Sequencial的区别： 1）ModuleList添加的是无序的序列； 2）Sequencial添加的是有序的序列，网络中各层会按照定义的顺序进行级联，因此需要保证各层的输入和输出之间要衔接； 所以ModuleList没有forward()方法，而Sequencial有forward()方法。...