- 博客(14)
- 收藏
- 关注
RSS订阅原创 anaconda装好后，cmd不能使用conda，Anaconda安装啥也没有，等命令的解决
最新版本的Anaconda安装包有毒，2019.7那版。我换了5.3.1版本，顺利安成功。
2019-10-10 20:45:35
1971
原创 Scan2BIM（1）：文献阅读笔记（1）：《将3D点云数据自动转换为建筑信息模型的研究》、《自动构建模型的研究现状》
《将3D点云数据自动转换为建筑信息模型的研究》阅读笔记本文提出了一种算法框架将点云数据处理为AB-BIM。该算法的输入应该是彩色的点云数据（从Leica BLK 360获取）或没有颜色信息的点云数据（从Zebrevo获取）。【已有算法的使用，先走通再说】软件：Autodesk Recap处理获取的点云、Autodesk Revit 2018用于建模，算法用C++、Point C...
2019-10-03 08:56:28
2449
5
原创 3D机器学习（12）：Open3D学习笔记：RGBD图像转化为点云、点云的体素化
Open3D学习笔记：将4通道RGBD图像转换为双通道的灰度深度图，并将其用照相机转化为点云。点云的体素化1、将4通道RGBD图像转换为双通道的灰度深度图Redwood格式=深度图+RGB图，其中深度信息存储在16-bit的单通道图像中。整数值表示以毫米为单位的深度测量值。 print("Read Redwood dataset") color_raw = o3d....
2019-09-26 18:51:29
7310
3
原创 3D机器学习（12）：AlexNet、VGG、GoogNet、Resnet、Densenet、nn.Module、数据增强
从2010年开始，深度学习开始进入人们视野，2012年的Alexnet是第一个真真意义上的深度网络，尽管只有8层，但其错误率只有16.4%，2015年微软亚洲研究院的何凯明同学的Resnet使得错误率降低至3.57。AlexNet 人工分配两块GPU，因此上图会有两条路线，但现在都是框架自己主动分配了。使用了11*11的卷积核。7层隐藏层，共8层，60M的参数，训练了1周。现在不会用这...
2019-09-23 08:50:57
1938
原创 3D机器学习（11）：滤镜、卷积、池化、批量标准化
额外话：Pytorch中，小写是函数，大写是类。滤镜卷积运算 =∑同尺寸的2个矩阵中同一位置元素相乘，输出为一个数。在图片处理里面，给图片加上不同的效果，就是使用的卷积核运算。比如下面的 “锐化图像”，使用的锐化卷积核，周围的-1和核中间的5可以降低某个像素周边的颜色强度但增加其本身的颜色强度，因此显得很突出。但是在模糊处理这个滤镜下，就可以使用另一个周边与核心都等于1的模...
2019-09-19 15:36:52
1149
原创 3D机器学习（10）：动量、Learning rate decay、Early stop、Dropout、Stochastic grandient descent随机梯度下降
动量：在经典迭代公式中，学习后的参数仅仅考虑当前梯度方向，却没有考虑历史梯度方向。使用动量就是加入历史梯度方向，就像人在运动时，除了自己主动想变向，还有一个惯性力，这就可以使得方向的改变是两个力的叠加，方向改变变得更平滑。看公式，引入递推公式代替原本的单纯的梯度项，这样子就可以保留上次一梯度的信息。最终效果如图所示，前一张图没有加入动量项，后一张图有，会发现方向改变的更平滑。此外，...
2019-09-18 12:44:51
369
原创 3D机器学习（9）：过拟合、Train-Val-Test-交叉验证、防止过拟合、正则化regularization
欠拟合：模型复杂度不够。比如二次方的函数只用一次方拟合。过拟合：模型复杂度太高，因此没有放过每一个点包括噪声点。因此会导时训练时效果很好，但是试验集时效果很差。现实中一般都是overfitted的。因为，计算机太强了。如何检测overfitted？目标函数：训练集表现好，测试集表现差。Train_loader用于储存训练数据Test_loader或者validatio...
2019-09-18 11:34:38
716
原创 3D机器学习（8）：GPU加速、计算正确率、训练监测可视化tensorboardX和visdom
GPU加速：把计算过程从CPU切换到GPU上。首先，把设备定义为使用cuda，然后把我们建立好的网络MLP搬到设备上去，还需要把交叉熵损失函数也搬上去，最后需要把data搬上去。，即完成了数据上传至cuda进行加速运算的前期准备。网络刚开始训练时，loss会下降，准确性会上升，这时的网络参数在学一些本质的特征，但随着学习的次数增加，会发现尽管准确率上升，但有效性却不再上升，并且损...
2019-09-16 14:46:42
577
原创 3D机器学习（7）：MInst数据集实战：一种自己从头开始写，一种利用封装好的代码
《MInst数据集实战》1、自己从头开始写1.1原理解读：内容：输入28*28=784的数字图片向量，第一个隐藏层将784用矩阵运算压缩到200，第二层不压缩，仍保持200个参数。最后一层提取出10个参数，作为10分类，到底是哪个数字的问题。第一步：创建网络，创建三个线性层，每个线性层都有参数w和b，注意w和b的矩阵维度，和申明需要梯度计算。因为最后是10分类，所以最后w和b都...
2019-09-16 12:55:26
431
原创 3D机器学习（6）：交叉熵（cross entropy loss），一种收敛更快的损失函数
1、交叉熵（cross entropy loss）简介熵=entropy=不确定性=惊讶的度量。越高的熵越低的信息度，因此不确定性或者混乱性越高，熵越高。数学定义，把所有事情的概率通过下式计算。比如概率分比为：0.001、0.001、0.001、0.999，则其熵=0.0313，非常小，说明稳定性较大，基本上事实仅由概率为0.999的事情给主宰。但当概率均为0.25时，说明不确...
2019-09-16 09:37:54
2152
2
原创 3D机器学习（5）：6种激活函数、基于均方差的梯度下降法
1.三种激活函数torch.sigmoi=F.sigmoidtorch.tannh=F.tanhtorch.relu=Frelu2.典型的loss函数：mean squire errorMSE=mean squire error=均方差：∑（y-y预测 ）^2，这里norm会开根号，所以需要平方回去。F.mse_loss（y，y预测）函数可建立此类loss函数。当需要求导...
2019-09-15 14:07:30
698
1
原创 3D机器学习（4）：pytorch入门3：张量的拼接与拆分、张量的运算、张量的统计
Broadcast 功能=自动插入扩展=unsqueeze+expand=扩张+复制填充Cat=concat拼接，两个班的人合并成4+5=9人。其中dim负责控制拼接的维度，这里dim=0就只拼接第一个维度：4+5=9Stack=另一种拼接，会创建一个新的维度，类似于平行的单元。比如：两个班合并，形成了班级的这个维度：班级1和班级2。Split=拆分，Cat的反义词。 Chun...
2019-09-14 21:34:56
996
原创 3D机器学习（3）：pytorch入门2：MNist数据集、ReLU函数、张量的概念与建立
1.MNist数据集手写0-9，每个数字有7000张，一共70K张，其中60k用作训练，10k用作验证。每张照片采用灰度图，28*28的矩阵，矩阵的每个数字0or1，表示黑或白。也可以表示成1*784的一维向量。这里的y可以采用独热编码（One-Hot），即一个1*10的向量。比如如果有三层嵌套，则y=H3，当H3=[0,1, 0,8 ,0,1 ,0 ,0 ,0 ,0 ,0 ,0...
2019-09-14 15:21:05
646
原创 3D机器学习（2）：pytorch入门：pytorch优点，梯度下降法初步
1、pyTorch的好处：1、 方便的使用GPU加速生成a,b随机矩阵，进行矩阵乘法matmul。记录：结束时刻减去开始时刻，得到并打印使用时间，并说明是设备：CPU计算的，并说明结果矩阵的大小。这一次，将设备改成cuda,进行GPU加速，同样记录时间，并且运行两次，因为第一次的计算时间包括初始化，第二次才是真正计算时间。结果：cuda可用，且使用cuda后，速度从0.23秒变成了0...
2019-09-14 08:57:33
902
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