weixin_42958977的博客

原创 深度学习-数据增强方法

数据增强

原创 深度学习在训练过程中遇到的问题及处理方法

模型训练过程中处理问题的方法

原创 目标检测IOU和NMS详解

目标检测中遇到两个比较重要的概念,一个是iou,一个是nms

原创 正向传播与反向传播

计算机神经网络参数梯度的方法. 依据微积分中的链式法则,沿着从输出层到输入层的顺序.依次计算并存储目标函数有关神经网络各层的中间变量以及参数的梯度.在训练过程中, 深度学习模型时, 正向传播和反向传播相互依赖.按顺序(从输入层到输出层)计算和存储神经网络每层的结果。

原创 剖析 Incepotion网络

兼容并蓄全部接收.

原创 解析json文件-Python代码分享

【代码】解析json文件-Python代码分享。

原创 深度学习数据增强方法

假设小样本数据数量极少，如仅占总体的1%，则即使小样本被错误地全部识别为大样本，在经验风险最小化策略下的分类器识别准确率仍能达到99%，但由于没有学习到小样本的特征，实际分类效果就会很差。提出mixup方法的作者们做了丰富的实验，实验结果表明可以改进深度学习模型在ImageNet数据集、CIFAR数据集、语音数据集和表格数据集中的泛化误差，降低模型对已损坏标签的记忆，增强模型对对抗样本的鲁棒性和训练生成对抗网络的稳定性。但这是一项艰巨的任务。所以，为了获得更多的数据，我们只要对现有的数据集进行微小的改变。

原创 CV- 人工智能-深度学习基础知识

一, 深度学习基础知识 1,什么是深度学习? 机器学习是实现人工智能的一种途径，深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。 2, 传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法自动提取特征。深度学习模仿人类大脑的运行方式，从经验中学习获取知识。这也是深度学习被看做黑盒子，可解释性差的原因。 随着计算机软硬件的飞速发展，现阶段通过深度学习来模拟人脑来解释数据，包括图像，文本，音频等内容。目前深度学习的主要应用领

原创 残差网络resnet

算法

原创 文件重命名Python代码复现

重命名为占4个字符宽度,非零数字右对齐,其余空位用0补齐. 如"0001"、“0002”、“0099”#将filepath目录下的文件读取为列表,并排序。#新文件路径(保留文件后缀)filePath:文件目录。

原创 深度学习-分类任务---经典网络

​ AlexNet在2012年ILSVRC竞赛中赢得了第一名，其Top5错误率为15.3%。AlexNet模型证明了CNN在复杂模型下的有效性，并且在可接受时间范围内，部署GPU得到了有效结果。

原创 深度学习---图像分割

图像分割。

原创 深度学习优化算法

事实上，就是残差网络的出现导致了Imagenet比赛的终结，自从残差提出后，几乎所有的深度网络都离不开残差的身影，相比较之前的几层，几十层的深度网络，在残差网络面前都不值一提，残差可以很轻松的构建几百层，一千多层的网络而不用担心梯度消失过快的问题，原因就在于残差的捷径（shortcut）部分。神经网络的训练中，通过改变神经元的权重，使网络的输出值尽可能逼近标签以降低误差 值，训练普遍使用 BP 算法，核心思想是，计算出输出与标签间的损失函数值，然后计算其相 对于每个神经元的梯度，进行权值的迭代。

原创 超参数调整

区分两者最大的一点就是是否通过数据来进行调整，模型参数通常是有数据来驱动调整，超参数则不需要数据来驱动，而是在训练前或者训练中人为的进行调整的参数。例如卷积核的具体核参数就是指模型参数，这是有数据驱动的。而学习率则是人为来进行调整的超参数。这里需要注意的是，通常情况下卷积核数量、卷积核尺寸这些也是超参数，注意与卷积核的核参数区分。​ 微调（fine-tune），顾名思义指稍微调整参数即可得到优秀的性能，是迁移学习的一种实现方式。

原创 数据增强方式

原创 计算机视觉-机器学习(深度学习)算法实现步骤

原创 目标检测的评价指标

目标检测的评价指标

原创 sigmoid的函数数学表达式

值域：由于值域刚好落在0~1之间，恰好是概率的范围，因此最常用在二分类模型的输出层(0,1)很小或很大时，导数接近 0（图形呈水平），易出现梯度消失。公式：Sigmoid 激活函数可以说是最经典的激活函数。一, Sigmoid 激活函数。导数：致命缺点，在函数两侧当。

原创 处理过拟合的几种方法

这有助于提高模型的泛化能力，并使其适用于新的数据样本。k折交叉验证是一种常用的解决过拟合问题的方法，能够充分利用数据集中的信息，评估模型的泛化能力，并且避免了训练集和测试集划分不均匀的情况。后剪枝是一种用于解决过拟合问题的方法，它在构建完整的决策树后，通过反向修剪来删除那些对泛化性能影响较小的子树和叶节点，从而达到减少模型复杂度、避免过拟合的目的。后剪枝是一种用于解决过拟合问题的方法，它在构建完整的决策树后，通过反向修剪来删除那些对泛化性能影响较小的子树和叶节点，从而达到减少模型复杂度、避免过拟合的目的。

原创 liunx

Liunx基础命令汇总大全.

原创 支持向量机与PCA

支持向量机（Support Vector Machine，SVM）属于有监督学习模型，主要用 于解决数据分类问题。通常SVM用于二元分类问题，对于多元分类可将其分 解为多个二元分类问题，再进行分类，主要应用场景有图像分类、文本分 类、面部识别和垃圾邮件检测等领域。 • 本章共划分为两个小节，分别介绍支持向量机模型的基础以及支持向量机 的应用过程支持向量机模型– 核函数– 模型原理分析• 支持向量机应用– 基于SVM进行新闻主题分类– 基于支持向量机和主成分分析的人脸识一个例子：青光眼诊断[外链图片转存失败,

原创 主成分分析

主成分分析（Principal components analysis，以下简称PCA）是最常用的降维方法之一，在数据压缩和 消除冗余方面具有广泛的应用，本文由浅入深的对其降维原理进行了详细总结。1.向量投影和矩阵投影的含义如下图：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-E9JyM42y-1655199529470)(C:%5CUsers%5C16499%5CDesktop%5CSnipaste_2022-06-06_22-31-28.png)]​

原创 人工智能---深度学习

深度学习之算法1 人工智能人工智能具体可以做哪些事情呢?该领域的研究包括机器人、语言识别、图像识别、自然语言处理、风险预测和专家系统等1.1 内容什么是人工智能人工智能与数学的关系人工智能主要分类及常用算法1.2 人工智能人工智能由人工和智能两个词组成,智能是他的主要特征,而人工是这种智能的修饰词.地球上具备智慧可以思考的动物,人类首屈一指. 引用网上一个很恰当的词来形容人工智能 – 拟人. AI是人工的让机器像人类一样思考.1.3 人工智能和数学的关系一个初级的司机熟悉车的基本操作,可

原创 深度学习基础认识

深度学习

原创 CUDA基本配置

CUDA基本配置CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。1 查看计算机显卡类型查看计算机的显卡是否是英伟达系列的，只有英伟达NVIDIA显卡才可以安装cuda2 观察是否有适合显卡的cuda版本网址：https://developer.nvidia.com/cuda-gpus3 安装NVIDIA 显卡驱动程序下载地址：

原创 虚拟机的基本命令及安装

这里写自定义目录标题Ubantu添加Anaconda的TUNA镜像设置搜索时显示通道地址常用命令Ubantu1 ubuntu安装1.1 软件下载地址官方下载地址（不推荐）https://www.ubuntu.com/download中科大源http://mirrors.ustc.edu.cn/ubuntu-releases/16.04/阿里云开源镜像站http://mirrors.aliyun.com/ubuntu-releases/16.04/兰州大学开源镜像站http://mirr

原创 解析json文件-Python代码分享

import cv2import numpy as npimport osimport numpy as np#from numpy import arrayimport jsonimport osfrom PIL import Imagedef img_paste(img_path, polygon_dict, save_name=False): """ :param img_path: :param polygon_dict: :param save...

原创 Python基本书写格式规范

Python 代码书写规范

原创 现阶段深度学习深究

2022年，终究是一个不平凡而又平凡的一年。说平凡是因为疫情又开始了为虎作伥，说不平凡是因为随着疫情的原因导致很多互联网企业纷纷裁员，减员，消耗了很多人员资质。今天谈论的不是技术，就简单聊聊现阶段下，打工人的何去何从。...

原创 语义分割的几种网络模型

语义分割

原创 leecode刷题解析

Leecode解题分析

原创 linux 中swap分区的中庸是什么

一、什么叫swap分区swap分区，即交换区，swap空间的作用可简单描述为：当系统的物理内存不够用的时候，就需要将物理内存中的一部分空间释放出来，以供当前运行的程序使用。那些被释放的空间可能来自一些很长时间没有什么操作的程序，这些被释放的空间被临时保存到Swap空间中，等到那些程序要运行时，再从Swap中恢复保存的数据到内存中。二、swap配置对性能的影响Swap的调整对Linux服务器，特别是Web服务器的性能至关重要。通过调整Swap，有时可以越过系统性能瓶颈，节省系统升级费用。但是分配太多的S

原创 深度学习超参数的调整应用

深度学习

原创 2021-07-12

深度学习基础总结（附完整思维导图）线型回归预测气温、预测销售额、预测商品价格等模型：权重，偏差模型训练：feed 数据学习模型参数值，使得误差尽可能小训练集、测试集、验证集、样本、标签、特征损失函数：回归常用平方误差函数；优化算法：小批量随机梯度下降（每次选一小批样本训练参数），每批样本大小叫做 batch size学习率：正数超参数：不是通过训练学出的，如学习率，批量大小网络输出层只有一个神经元节点全连接层：输出层中的神经元和输入层中各个输入完全连接基本要素：模型、训练数据、损失

原创 2021-07-12

深度学习基础（基础知识 0） 深度学习各种网络其实基础就是各种基础知识累积，今天主要想把这三个讲清楚：梯度下降、神经网 络、反向传播算法。 一、神经网络（一切的基石） 工智能的底层模型是"神经网络"（neural network）。许多复杂的应用（比如模式识别、自动控制） 和高级模型（比如深度学习）都基于它。学习人工智能，一定是从它开始。 什么是神经网络呢？ 1、感知器 历史上，科学家一直希望模拟人的大脑，造出可以思考的机器。人为什么能够思考？科学家发现，原 因在于人体的神经网络。既然思考的基础是神经元，

原创 深度学习基础篇（一）

深度学习基础篇（一）Part I 深度学习基础本书1-4章将带你了解一些基本概念：什么是深度学习，它可以用来做什么以及它如何工作。此外，熟悉使用深度学习解决数据问题的典型工作流程。如果还没怎么了解深度学习，需要明确的从part I开始读取，然后再去阅读part 2的实际应用。1. 什么是深度学习在过去的这些年，人工智能（AI）成为了媒体大肆渲染的对象。机器学习，深度学习以及AI出现在数不胜数的文章中，常常是在一些与技术无关的出版物。我们被许诺拥有智能聊天机器人、自动驾驶汽车和虚拟助手的未来 — 这个

原创 2021-07-08

Python 3 新特性：类型注解def add(x:int, y:int) -> int: return x + y我们知道 Python 是一种动态语言，变量以及函数的参数是不区分类型。因此我们定义函数只需要这样写就可以了：def add(x, y): return x + y这样的好处是有极大的灵活性，但坏处就是对于别人代码，无法一眼判断出参数的类型，IDE 也无法给出正确的提示。于是 Python 3 提供了一个新的特性：函数注解也就是文章开头的这个例子：d

原创 2021-06-25

PyTorch常用代码段整理合集（二）本文代码基于 PyTorch 1.0 版本，需要用到以下包import collectionsimport osimport shutilimport tqdmimport numpy as npimport PIL.Imageimport torchimport torchvision基础配置检查 PyTorch 版本torch.__version__ # PyTorch versiontorch.versio

原创 2021-06-24

Python 3 新特性：类型注解前几天有同学问到，这个写法是什么意思：def add(x:int, y:int) -> int: return x + y我们知道 Python 是一种动态语言，变量以及函数的参数是不区分类型。因此我们定义函数只需要这样写就可以了：def add(x, y): return x + y这样的好处是有极大的灵活性，但坏处就是对于别人代码，无法一眼判断出参数的类型，IDE 也无法给出正确的提示。于是 Python 3 提供了一个新的特性：

原创 2021-06-24

PyTorch常用代码段整理合集本文代码基于 PyTorch 1.0 版本，需要用到以下包import collectionsimport osimport shutilimport tqdmimport numpy as npimport PIL.Imageimport torchimport torchvision基础配置检查 PyTorch 版本torch.__version__ # PyTorch versiontorch.version.c