weixin_43869605的博客

原创 pytorch中BCELoss二进制交叉熵损失函数的使用

1. 函数介绍创建一个衡量目标和输出之间二进制交叉熵的标准。注意：一般使用之前需要使用激活函数将数据处理成0到1之间，一般使用sigmoid函数。2. 原理理解3. 代码import torchx = torch.randn(size=[2, 2])sig = torch.nn.Sigmoid()out_ = sig(x)target = torch.FloatTensor([[1, 0], [0, 1]])loss = torch.nn.BCELoss()loss

原创 pytorch中torch.cholesky()函数的使用

1. 函数介绍：功能： 计算对称正定矩阵的Cholesky分解。A 或对于成批的对称正定矩阵。 如果 upper 为 True ，则返回的矩阵 U 为上三角，分解形式为： A=U^TU 如果 upper 为 False ，则返回的矩阵 L 为下三角，分解形式为： A=LL^T 如果 upper 为 True ，并且A 是一组对称的正定矩阵，则返回的张量将由各个矩阵的上三角Cholesky因子...

原创 tensorflow中gen_math_ops.inv()函数的使用

1.功能计算输入的x的倒数2.参数x：是Tensor，数据类型必须是`float16`, `half`, `float32`, `float64`, `int32`, `int64`, `complex64`, `complex128`.3.样例代码import tensorflow as tffrom tensorflow.python.ops import gen_math_opsintpu_x = tf.constant(3, dtyp...

原创 tensorflow中tf.raw_ops.ApplyCenteredRMSProp()函数的使用

1. 功能居中RMSProp算法使用居中第二矩(即方差)的估计值进行归一化,而普通RMSProp则使用(非居中)第二矩。这通常有助于训练,但在计算和内存方面略显昂贵。需要注意的是,在这个算法的密集实现中,即使grad为零,mg、ms和mom也会更新,但在这个稀疏实现中,mg、ms和mom在grad为零的迭代中不会更新。mean_square = decay * mean_square + (1-decay) * gradient ** 2mean_grad = decay * mean_grad

原创 tensorflow 中ScatterNdSub()函数的使用

import tensorflow as tfimport numpy as np'''功能： 在给定的变量内根据 indices 。对变量中的单个值或切片进行稀疏减法。参数： ref:是具有等级 P 的 Tensor ，而 indices 是具有等级 Q 的 Tensor 。 indices:必须是整数张量，其中包含 ref 的索引。它必须是形状 [d_0, ..., d_{Q-2}, K] ，其中 0 < K <= P 。 indices:最里面的.

原创 numpy中的np.greater()函数的用法

1. 函数功能 该函数的功能是判断参数一是否大于参数二。2. 参数介绍 arr1：第一个参数类似一个数组 arr2：第二个参数类似一个数组out：返回值是bool类型或者是元素为bool的数组3. 代码案例import numpy as nparr1 = np.array(1)arr2 = np.array(0)bool1 = np.greater(arr1, arr2)print(bool1)# 输出值# Truearr1 ...

原创 tensorflow中tf.raw_ops.ScatterMin()函数的使用

1. 功能将updates的值，通过索引（indices）指定inputs对应位置上的值做比较取最小值（也就是更新inputs上对应的之）2. 参数ref：数据输入indices：用来指定ref位置updates：用来更新ref值的数据3. 代码import tensorflow as tf"""功能： 将updates的值，通过索引（indices）指定inputs对应位置上的值做比较取最小值（也...

原创 深度学习中AP、mAP、recall、IoU、NMS的评价指标介绍

1、通过混淆矩阵实例给大家讲解各个指标：混淆矩阵 预测 0 1 真实 0 TN FP 1 FN TP 真阳率：代表将真实正样本划分为正样本的概率 伪阳率：代表将真实负样本划分为正样本的概率 精确率：precision = TP / (TP + FP) 召回率：recall = TP / (TP + FN) 准确率：accuracy = (TP + TN) ...

原创 深度学习中的批归一化batch normal（BN）的讲解

1、BN层的作用：卷积神经网络学习过程的本质就是为了学习数据分布，一旦训练数据与测试数据的分布不同，那么网络的泛化能力也会大大降低。对于输入的数据，已经进行了人为的归一化，由于前面训练参数的更新将导致后面层输入数据分布的变化。为了解决这个问题，使用了批归一化的方法。在网络的每一个卷积层之后，激活函数之前，又插入了一个归一化层。此方法是将每一层的激活值进行归一化之后，将它们映射到服从高斯分布的方差为1均值为0的区域，从而解决了梯度消失的问题。当梯度变大之后，网络更新速度和训练速度变快，带来...

原创 OpenCV中cv2.resize()的用法讲解

一、函数介绍 1、cv2.resize(img, (300, 200)) 功能：根据给定的维度进行变化 2、cv2.resize(img, (0, 0), fx=2, fy=1) 功能：使得图像x轴变化为原来的2倍，y轴不变 3、参数说明 ① img表示需要变化的图片 ② (300, 200)表示变化的维度，长...

原创 OpenCV中cv2.VideoCapture()的使用

一、函数简介cv2.VideoCapture可以捕获摄像头，用数字来控制不同的设备，例如0,1。 如果是视频文件，直接指定好路径即可。二、案例import cv2 #opencv读取的格式是BGRvc = cv2.VideoCapture('test.mp4')# 检查是否打开正确if vc.isOpened(): oepn, frame = vc.read()else: open = Falsewhile open: ret, frame = vc

原创 目标检测中YOLOv1、YOLOv1、YOLOv3算法介绍

一、YOLOv1算法介绍 1、YOLOv1简介是one-stage系列中的一种，把检测问题转化到回归上来，一个CNN即可完成检测流程。 2、算法结构 ① 他的核心思想就是利用整张图作为网络的输入，将目标检测作为回归问题解决，直接在输出层回归预选框的位置以及所属的类别，YOLO最左边是一个inceptionV1网络，共20层。但作者对inceptionV1进行了改造，他没有使用inception模块，而是...

原创 SSD算法原理介绍，包含算法结构、Loss计算、默认框计算几个方面

一、SSD算法的介绍 1、SSD算法：是One-stage目标检测算法中的一种，不需要region proposal阶段，可以直接产生物体的类别概率和位置坐标值，经过单词检测即可直接得到最终的检测结果，具有检测速度快的特点。 2、SSD算法结构： ① 主干网络：是由VGG16中部分卷积层组成，并将最后２层的conv6和conv7换成全连接层，用来进行图像分类 ...

原创 OpenCV中使用cv2.copyMakeBorder()对图片进行边界填充

1、cv2.copyMakeBorder()函数src：要处理的原图 top, bottom, left, right：上下左右要扩展的像素数 borderType：边框类型2、borderType常见类型BORDER_REPLICATE：复制法，也就是复制最边缘像素。 BORDER_REFLECT：反射法，对感兴趣的图像中的像素在两边进行复制例如：fedcba|abcdefgh|hgfedcb BORDER_REFLECT_101：反射法，也就是以最边缘像素为轴，对称，gfedcb|ab

原创 OpenCV中使用 cv2.calcHist()-画直方图案例

一、函数介绍 1、cv2.calcHist(images,channels,mask,histSize,ranges)-用于生成图像的频数直方图 参数： images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0]...

原创 OpenCV中使用 cv2.equalizeHist()和cv2.createCLAHA()进行直方图均衡化案例

一、函数介绍 1、cv2.equalizeHist(img) 参数：img表示输入的图片 作用：表示进行直方图均衡化 2、cv2.createCLAHA(clipLimit=8.0, titleGridSize=(8, 8)) 参数：clipLimit颜色对比度的阈值 titleGridSize进行像素均衡化的网格大小，即在多少网格下进行直方图的均衡化操作 作用： 用于生成自适应均衡...

原创 OpenCV中使用 cv2.matchTemplate()、 cv2.minMaxLoc()、 cv2.rectangle()进行模板匹配

一、函数介绍 1、cv2.matchTemplate(src, template, method) 参数： src: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]template: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。...

原创 OpenCV中图片图像轮廓提取-cv2.findContours()讲解

一、图像轮廓1. cv2.findContours(img，mode, method) 找出图中的轮廓值，得到的轮廓值都是嵌套格式的 参数说明:img表示输入的图片，mode表示轮廓检索模式，通常都使用RETR_TREE找出所有的轮廓值，method表示轮廓逼近方法，使用NONE表示所有轮廓都显示...

原创 OpenCV中图片处理-傅里叶变换讲解

一、傅里叶变换1. cv2.dft(img, cv2.DFT_COMPLEX_OUTPUT) 进行傅里叶变化参数说明:img表示输入的图片，cv2.DFT_COMPLEX_OUTPUT表示进行傅里叶变化的方法2. np.fft.fftshift(img) 将图像中的低频部分移动到图像的中心参数说明：img表示输入的图片3. cv2.magnitude(x, y) 将sqrt(x^2 ...

原创 OpenCV中的cv2.morphologyEx()函数-礼帽与黑帽讲解

礼帽 = 原始输入-开运算结果 黑帽 = 闭运算-原始输入#礼帽img = cv2.imread('dige.png')tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)cv2.imshow('tophat', tophat)cv2.waitKey(0)cv2.destroyAllWindows()#黑帽img = cv2.imread('dige.png')blackhat = cv2.morphologyEx(im

原创 OpenCV中图片边缘提取算子cv2.Canny()讲解

一、图像梯度-Sobel算子1、cv2.Sobel(src, thresh1, thresh2) 进行canny边缘检测src表示输入的图片，thresh1表示最小阈值，thresh2表示最大阈值，用于进一步删选边缘信息 2、检测步骤二、每一步的细节讲解三、案例import cv2img=cv2.imread("len...

原创 OpenCV中常见的图片处理方式

1、灰度图import cv2 #opencv读取的格式是BGRimport numpy as npimport matplotlib.pyplot as plt#Matplotlib是RGB%matplotlib inline img=cv2.imread('cat.jpg')img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_gray.shapecv2.imshow("img_gray", img_gray)cv2.waitKe

原创 OpenCV中图片边缘提取算子cv2.Scharr()和cv2.Laplacian()的讲解

一、图像梯度-Scharr算子1、cv2.Scharr(src,ddepth,dx,dy)参数说明：src表示输入的图片，ddepth表示图片的深度，通常使用-1， 这里使用cv2.CV_64F允许结果是负值，dx表示x轴方向算子，dy表示y轴方向算子 注：scharr算子， 从图中我们可以看出scha...

原创 OpenCV中腐蚀、膨胀、开运算与闭运算、梯度运算讲解

一、腐蚀操作：cv2.erode(src, kernel, iteration) 1、参数src：表示的是输入图片；kernel：表示的是方框的大小；iteration：表示迭代的次数2、腐蚀操作原理：存在一个kernel，比如(3, 3)，在图像中不断的平移，在这个9方框中，哪一种颜色所占的比重大，9个方格中将都是这种颜色...

原创 OpenCV中图片边缘提取-图像金字塔cv2.pyrUp()和cv2.pyrDown()讲解

一、图像金字塔1、cv2.pyrUp(src)对图片做向上采样操作src表示输入的图片2、cv2.pyrDown(src)对图片做向下采样操作，通常也可以做模糊化处理src表示输入的图片 3、高斯金字塔：分为两种情况：一种是向下采样，一种是向上采样 4、下采样的原理：先与Gi进行高斯卷积...

原创 OpenCV中图片边缘提取算子cv2.Sobel()讲解

一、图像梯度-Sobel算子1、cv2.Sobel(src, ddepth, dx, dy, ksize)ddepth:图像的深度dx和dy分别表示水平和竖直方向 ksize是Sobel算子的大小 import cv2img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)cv2.imshow("img",img)cv2...

原创 OpenCV中使用cv2.addWeighted()函数实现图片融合

1、cv2.addWeighted(src1, alpha, src2, beta) 参数讲解src1, src2：需要融合相加的两副大小和通道数相等的图像 alpha：src1的权重 beta：src2的权重2、案例：import cv2import matplotlib.pyplot as pltimport numpy as np %matplotlib inline img1=cv2.imread('1.jpg')img2=cv2.imread('2.jpg')re

原创 OpenCV中的图片截取和颜色通道提取

1、截取部分图像数据import cv2 #opencv读取的格式是BGRdef cv_show(name,img): """ 图片显示函数 """ cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows()img=cv2.imread('1.jpg')# 截取部分图像数据cat=img[0:50,0:200] cv_show('1',cat)2、

原创 OpenCV中cv2.imread()和cv2.imshow()对图片读取和显示

1、cv2读取图片的两种常见模式：cv2.IMREAD_COLOR：彩色图像cv2.IMREAD_GRAYSCALE：灰度图像案例：import cv2 #opencv读取的格式是BGRimg=cv2.imread('cat.jpg')#img=cv2.imread('cat.jpg',cv2.IMREAD_GRAYSCALE)img#图像的显示,也可以创建多个窗口cv2.imshow('image',img) # 等待时间，毫秒级，0表示...

原创 Pytorch中的torch.autograd.grad()函数的使用

原创 OpenCV中cv2.VideoCapture()函数进行视频的读取

1、功能介绍cv2.VideoCapture可以捕获摄像头，用数字来控制不同的设备，例如0,1。 如果是视频文件，直接指定好路径即可。 cv2.cvtColor(p1,p2) 是颜色空间转换函数，p1是需要转换的图片，p2是转换成何种格式。2、案例import cv2 #opencv读取的格式是BGRvc = cv2.VideoCapture('test.mp4')# 检查是否打开正确if vc.isOpened(): oepn, frame = vc.read()

原创 Pytorch中构建类ResNet18网络结构

1、网络结构构建：直接看代码'''ResNet-18 Image classfication for cifar-11 with PyTorchAuthor 'Sun-qian'.'''import torchimport torch.nn as nnimport torch.nn.functional as Fclass ResidualBlock(nn.Module): """ 定义一个残差模块，其中包含了一个主分支（left）和一个连接分支...

原创 Pytorch中如何在网络结构中添加正则化

L1正则：参数绝对值的和L 2正则：参数的平方和（Pytorch自带，weight_decay）op = torch.optim.SGD(model.parameters(), lr=0.001, weight_decay=0.001)

原创 Pytorch中如何实现上采样层

原创 计算机视觉中的RGB、HSV色彩模式讲解

一、颜色空间 颜色空间用于描述色彩，常见的颜色空间：RGB、CMYK、YUV、L*a*b*、HSL、HSV等 二、RGB色彩模式 1、RGB色彩模式是工业界的一种颜色标准 2、通过对红（R）、绿（G）、蓝（B）三个颜色通道的变化以及他们相互之间的叠加起来得到各式各样的颜色 3、红绿蓝三个颜色通道每种色各分为256阶亮度三、HSV色彩模式 四、灰...

原创 Pytorch中使用nn.Linear()做房价预测

一、函数讲解nn.Linear(in_features, out_features)in_features：指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。out_features：指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。Examples:: m = nn.Linear(20, 30) input = torch.randn(128, 20

原创 在Pytorch中使用mnist数据集做分类案例

案例：import torchimport torchvision.datasets as datasetimport torchvision.transforms as transformsimport torch.utils.data as data_utilsimport cv2# datatrain_data = dataset.MNIST(root='./mnist', train=True,

原创 Pytorch中torch.autograd.backward()函数的使用

原创 什么是导数、方向导数、偏导数、梯度

原创 Pytorch中实现CPU和GPU之间的切换

案例：# 判断是否可以使用GPUif torch.cuda.is_available(): d = torch.device('cuda') a = torch.tensor([[1, 2], [3, 4]]) b = torch.ones_like(a, device=d) # b在GPU上操作 c = a.to(device=d) # c在GPU上操作 d = torch.add(a, b) print(d) print(...