zeeq的博客

其中，要组成一个Shapefile，有三个文件是必不可少的，它们分别是".shp", ".shx"与 ".dbf"文件。而其中“真正”的Shapefile的后缀为shp，然而仅有这个文件数据是不完整的，必须要把其他两个附带上才能构成一组完整的地理数据。所有的文件名都必须遵循MS DOS的8.3文件名标准（文件前缀名8个字符，后缀名3个字符，如shapefil.shp），以方便与一些老的应用程序保持兼容性，尽管现在许多新的程序都能够支持长文件名。Shapefile文件用于描述几何体对象：点，折线与多边形。

这是一个应该比较常见的问题，下面首先讲一下该类问题的一般解决 思路，然后再进行一个自我debug的过程描述。

使用exiftool可以对图像的exif信息进行读取、修改、写入等操作。

python圣诞树

这样就存在一个非常大的隐患，因为我们知道，对四元数中的所有数字同时取负，那么它所表示的旋转是不变的。也就是说，matrix_to_quaternion函数转换获得的四元数本身并没有错，但是它没有限制其中的实数w为正，这样就会在诸如我们需要使用四元数的二范数作为网络loss的时候，埋下巨大的隐患（毕竟如果同一个旋转量，一会是正一会是负，网络该信哪个？按照官方解释，每个四元数的第一个数字为实部w，通常我们会规范实部为正数，而如下图所示的输出，很明显，它没有进行这一约束。如下图所示，就是使用。

也就是说，比如我现在要跑的这个代码，是作者2020年那会儿公开的，那么，我就可以找一下matplotlib在2020年左右时候的版本号。当然，安装上面说的3.1.0版本是不会报错的，我已经安装成功了。好在使用pip卸载和安装库很方便，所以在针对具体问题的时候，我们可以多尝试不同的版本，从而找到一个合适的匹配。通常是版本太低造成的，比如在后续更新过程中，该方法被改变了，所以再使用以前的方法名，就会报错找不到该方法了。最简单的就是，将已经安装的出错的库卸载掉，然后重新安装更低（或更高）版本的即可。

相机的内参和图像的大小是紧密相关的。如果在实验中涉及到对图像进行采样，同时还想要获得图像变换后的相机参数，那么，对相机内参也需要进行同步缩放。对相机参数的修改主要包括相机的内参矩阵K和图像的长宽参数，而相机外参和畸变参数则不需要作修改。对图像进行下采样，一般有两种方式，一个是使用python自带的PIL(Pyhon Imaging Labrary)模块实现，另一个是使用cv2实现。至于为何是这样变换的，可以参考。

主要包括connection里的SSH服务器ip和密码的设置，以及mappings里的本地路径和部署路径的设置（需要注意保持这两个根目录名称一致）。连接相关的设置可以在tools->deployment->configuration里进行设置。

混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在二分类场景里是一个2x2的矩阵。如下图。TP（True Positive）：真正例，实际上和预测中都是正例；FP（False Positive）：假正例，实际上是负例，但是被预测为正例了；FN（False Negative）：假负例，实际上是正例，但是被预测为负例了；TN（True Negative）：真负例，实际上和预测中都是负例。import numpy as np# 计算混淆矩阵def compute_

  对两组相机进行对齐，需要首先明确相机坐标系的定义方式，有两种：Xworld = RXcamera + tXcamera = RXworld + t  这两种坐标系的定义是不一样的（其实它们就是一个互逆变换的过程），弄错了的话就没法获得正确的转换结果了（关于这两种坐标系的转换关系，这篇博客里有说明）。在明确了坐标系定义之后，就可以进行计算了。  转换代码参考BARF论文github源码，链接。下面将两种坐标系下的相机组对齐方法都放出来。  1 世界坐标系定义  如果你的坐标系是按照如下方

CVXPY是斯坦福大学凸优化组开发的一个Python软件包。方便用户以数学形式定义凸优化模型，而不受限于求解器（solvers）。其github地址为https://github.com/cvxpy/cvxpy。这里遇到的报错信息如下：cvxpy.error.SolverError: Solver 'ECOS' failed. Try another solver, or solve with verbose=True for more information.  意思是我使用的求解器ECOS求解失败

  这个变换用于将生成的稀疏重建场景对齐到真值上。由于SfM（Structure from Motion，运动恢复结构）求解的结果是尺度未定的，所以重建场景与真值之间不仅会相差一个旋转与平移，还会存在尺度缩放。待求解的问题可以描述为：已知一组相机（个数为m）的位姿真值Rgt、tgt和预测位姿Rpred、tpred，现要将预测值对齐到真值上。它们之间会相差一个相似变换Msimilarity，包括尺度s、旋转量R、平移量t，可以根据如下步骤进行求解：  1 求解旋转R  首先计算所有m个相机的位姿差异总和

  假设现在有一个array a，我想要每隔一行取一行，然后将结果拼接起来，获得array b，如下所示：a =[[ 0., 1., 2., 3., 4.], [ 0., 1., 2., 3., 4.], [ 5., 6., 7., 8., 9.], [ 5., 6., 7., 8., 9.], [10., 11., 12., 13., 14.], [10., 11., 12., 13., 14.], [15., 16., 17., 18., 19.],

import numpy as npdef inTri(a, b, c, p): ab = b-a ap = p-a bc = c-b bp = p-b ca = a-c cp = p-c if np.cross(ab,ap)>0 and np.cross(bc,bp)>0 and np.cross(ca,cp)>0: # 在三角形内部 return 1 if np.cross(ab,ap) * np

  首先介绍一下np.stack和np.where两个方法：  1 np.stack()  np.stack()函数定义为numpy.stack(arrays, axis=0)，用于将多个具有相同形状的array按某个维度进行堆叠，默认是在0维度上（可以理解为在哪个维度上就是增加哪个维度）。更为详细的介绍可参考这里，如下一个简单例子：>>> import numpy as np>>> x = np.arange(9).reshape([3,3])>&gt

  使用pyinstaller，我们可以很方便地将py文件打包成exe。打包命令为：pyinstaller -F -w xxx.py  其中：-F参数表示将所有内容全部打包成一个exe可执行文件，而不会有其它的一些奇奇怪怪的小依赖文件。-w参数表示运行生成的exe文件时，不会弹出命令行窗口，而是直接弹出我们做的GUI。如果没加这个参数的话，在打开生成的exe文件时，会同时弹出一个如下所示的命令行窗口，冗余且不美观：    在打包的时候，有一些问题需要注意一下：  1 生成的exe文件过大

  示例如下，首先创建两个两行一列，值全为1的张量a和b，然后将b加到a上，使用python自带的id函数来获取a和b的内存地址。下面依次演示不同方法获得结果的差异：  1. +运算a = torch.ones(2,1)b = torch.ones(2,1)before_id = id(a)a = a + bafter_id = id(a)before_id == after_id  输出为：False  2. +=运算a = torch.ones(2,1)b = torch

  我们在看python程序时，经常可以看到@运算符和*运算符，其中@运算符在传统python中通常是作为装饰器使用的。但是在Python 3.5之后，它又具备了矩阵乘法运算的功能。下面使用示例来对比这两个运算符对矩阵运算的影响：  导入用到numpy包：import numpy as np  创建一个维度为2×3×3的数组a，结果如下图所示：a=np.arange(1,10).reshape(3,3)a=np.expand_dims(a,0).repeat(2,0)print(a)  

  turtle是python一个简单好用的绘图包，它可以通过设计坐标来实时控制绘图。安装很简单，一行命令：pip install turtle  这里只介绍如何设置画布背景颜色。它一般是在绘图的最开始进行设置的，可以使用screensize(width, height, bg)函数，其中的三个参数分别是画布的宽、高、背景颜色。宽高的单位是像素，如果用小数表示，则是以屏幕宽高的百分比来确定大小的。但是如果只设置画布大小，是没法控制窗口的大小的，窗口大小需要使用setup(width, height,

jupyter notebook是一个web应用程序，用于创建和共享包含代码、可视化和文本的文档。它可以用于数据科学、统计建模、机器学习等领域。我们可以在其上方便地进行python代码编写与运行。jupyter notebook的快捷键有很多，如果不常使用的话，很难记住。但是，其实没有这么困难，熟练使用jupyter notebook，只需记住两种模式，一个快捷键即可！下面将首先介绍如何打开jupyter notebook，然后介绍如何使用。1 打开jupyter notebookanaconda里一般

1 cv2的安装  python下的opencv叫cv2，但是安装cv2并不是直接pip install cv2，而是：pip install opencv-python  安装完成后，就可以使用啦。2 像素坐标去畸变  对像素坐标去畸变要使用到cv2的undistortPoints()函数，其官方文档点击这里查看。如下图所示：  其中涉及的参数包括：src：图像的像素坐标点集合，类型是np.ndarray，维度可以是N×1×2或者1×N×2dst：输出的去畸变结果，类型是np.ndar

npz和npy文件都可以直接使用numpy读写。import numpy as npac = np.load('Alcatraz Courtyard.npz')ac.files要查看其中某一项的数据：M = ac['M']M显示的值带省略号，要完全显示，执行：np.set_printoptions(threshold=np.inf)M输出有很多很多：查看M的形状大小：M.shape将numpy输出样式修改回去（默认为6）：np.set_printoptions(th

python中英文版圣诞树词云

本教程主要教大家如何从零开始安装配置一个完整的ubuntu系统及深度学习环境搭建，是作者多次实践的结晶，超详细靠谱。该服务器在两块硬盘上只安装ubuntu20.04一个系统，给出了合理的系统内存分配方案。作者的系统配置是：nvidia 3080Ti显卡，显存为12G，电脑内存32G，有两块硬盘，其中SSD大小为512G，机械硬盘大小为4T。最终安装的驱动版本为nvidia-driver-470，cuda版本为11.0，cudnn版本为8.0.5，anaconda版本为2021.11版。...

  pew（Python Env Wrapper）是一个用于管理python虚拟环境的包，作用类似于anaconda、docker等。它有自己的pip，可以和conda共存，而且不会与conda混淆。也就是，如果你在某个conda环境下激活了某个pew虚拟环境，那么，当你使用pip3安装软件包的时候，是只安装在当前pew环境里的，与conda无关。pew可以直接通过pip3安装：pip3 install pew #安装pew    下面介绍一些常用的pew命令：1. 创建新的虚拟环境pew

我在python程序中使用了argparse包来进行参数交互，现在要在vscode里面对程序进行调试。在配置好调试器后，还需要设置launch.json配置文件。如果没有的话，

  npy文件是无法直接打开的，它里面包含的是一个矩阵格式的数据，可以用于存储图像。为了对其进行可视化，需要将其转换为图像。这里需要用到numpy包以及matplotlib包，没有的话就pip install一下吧。现进入包含有npy文件的目录（我的该目录下有一个名为0000.npy的文件），然后打开一个终端，执行python进入pythn命令行模式，依次输入如下代码即可：import numpy as npimport matplotlib.pyplot as pltdepthmap = np.lo

https://github.com/imageio/imageio-binaries/tree/master/freeimageimport imageioimageio.core.util.appdata_dir("imageio")

  直接百度搜索minieigen的安装，可以找到python中文网的一个链接，里面有一键安装方法，即直接在终端执行pip install minieigen即可。但是，真要是这么一键就能解决的话，那安装这个库就不会让我苦苦摸索好几天了。是的，会出现错误，而且并不好解决。不过，后来偶然看到了一个写的很好的安装这个库的博客，介绍的很详细，可以直接跟着做即可。  之前我没看到这个博客，命令行安装又总是报错，因此，我决定直接从官网下载库的源码然后自己编译。当然，流程也很简单，下面进行介绍。  可以直接从这里下

现在大家一般使用的都是python3了，而在ubuntu系统下安装某些python库的时候，会需要libboost_python3（boost_python是一个东西，其实都是要编译boost）环境。但是网上相关教程较少，有些也过于复杂，因此这里介绍一个简单靠谱的安装方法。主要的步骤参考的是这篇博客。下面进行详细介绍：首先，将自己的环境切换到python3。然后，去boost官网 https://www.boost.org/ 下载自己想要的boost版本。目前最新的版本是1.77.0，不过我这里下载的是1