![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
pjiang000
这个作者很懒,什么都没留下…
展开
-
如何写综述???
综述下载好所有的文章翻译成中文Grammly 检查语法错误的软件谷粉学术原创 2021-07-01 22:31:20 · 71 阅读 · 0 评论 -
光流估计和物体跟踪
光流估计和物体 跟踪1:视频的基础概念视频:由一系列的图片拼接而成的,按照一定的速度顺序播放帧:组成视频的静态图像帧率:每一秒钟内视频内静态图像的数量24,人眼是认为动态的视频人眼的极限是55帧,一般的视频都是30帧。倍速的话,是帧率的提高吗?视频的压缩帧内的压缩每一帧之间可能有颜色或者是样式相似的区域帧间的压缩相似视频帧之间可能只有很小的变化帧的分类I帧(关键帧):帧内压缩P帧(预测):参考前一个I帧 / P帧来进行压缩B帧(双向预测原创 2021-06-24 22:19:28 · 228 阅读 · 0 评论 -
MASK -RCNN
MASK R-CNNhttps://www.bilibili.com/video/BV1bW411w7ZF?from=search&seid=13728655997839278518运行速度还是比较慢的,只能做的5FPS,不能做到实时processON 很好的画图工具图像的输入 padding 成1024 ——输入成resNet101得到C1——C5特征层次C5 -> 256通道,通过一个 1 X 1的卷积核(调整channel的维度),所以我们得到了P5原创 2021-06-24 22:18:40 · 155 阅读 · 0 评论 -
CV 复习(大纲)
文章目录计算机视觉导论1:提出7:文字检测和识别1:OCR6:行人检测,重识别和姿态估计5:人脸检测和识别计算机视觉课程完全不知道怎么复习,由于没有咋读过论文,所以PPT里面的东西基本都看不懂。以后碰到PPT里面有论文的,还是要提前读一读计算机视觉导论1:提出1966年的MIT的一个暑假项目,构建视觉系统的主体部分20世纪70年代在解决推理和规划等问题之前,视觉输入的处理与数字图像处理相区别的是从图像中恢复场景的三维结构并更好的理解场景数字图像处理,计算机图像处理,将图像信号原创 2021-06-24 22:13:03 · 189 阅读 · 1 评论 -
使用resNet网络 进行图像分类(jupyter notebook)
这学期做了三次的CV把他贴出来,resNet网络的结构import torch.nn as nnimport torchclass BasicBlock(nn.Module): expansion = 1 def __init__(self, in_channel, out_channel, stride=1, downsample=None, **kwargs): super(BasicBlock, self).__init__() s..原创 2021-06-24 21:10:33 · 2392 阅读 · 2 评论 -
深度学习 常用python操作(1)
文章目录1:python遍历文件夹2:PIL获取图片尺寸3:Image.new()4:两张图显示在一张图片上1:python遍历文件夹import os# get .txt documentrootdir=os.path.join('要读取的txt文件的绝对路径')# readwrite_path=open('要写入的txt文件的绝对路径/write.txt','w')for (dirpath,dirnames,filenames) in os.walk(rootdir): for f原创 2021-06-21 17:25:57 · 63 阅读 · 0 评论 -
重磅!!kaggle训练, 终于不用怕断网了
重磅!!kaggle训练, 终于不用怕断网了https://www.cnblogs.com/zgqcn/p/14160093.html选择 save version,保存生成的最后结果!!!!爽原创 2021-06-21 17:24:39 · 2699 阅读 · 2 评论 -
OCR识别的总结课
CRNNvgg+ rnndenseNet + CTC无法处理字形很相近的字 " - _ “,” y 和 v "膨胀 和 腐蚀 目的么?膨胀是把不连的东西连起来,腐蚀就是把它变成CRNN进行一个划分只有达到SOTA的方法才能发文章吗the state of Art只有当自己的方法在ImageNet,2——3个数据集上比之前的主流方法比较好的时候,才能发表出来https://zhuanlan.zhihu.com/p/57528638四道..原创 2021-06-21 16:18:20 · 83 阅读 · 0 评论 -
端口无法访问
Linux端口无法访问云服务器中的安全策略已经开放的端口服务器上的防火墙也已经关闭8888端口在docker中也已经被运行的服务监听为什么就是访问不了呢?原创 2021-06-16 16:12:40 · 301 阅读 · 0 评论 -
jupyter 接受参数
jupyter 接受参数在本地的python 文件中args从命令行中接受import argparseparser = argparse.ArgumentParser()parser.add_argument("--device",default="0,1",type=str)parser.add_argument("--no_cuda",action="store_true")args = parser.parse_args()print(args)在jupyter not原创 2021-06-11 16:54:48 · 527 阅读 · 3 评论 -
ModuleNotFoundError: No module named ‘tensorflow.contrib‘
ModuleNotFoundError: No module named ‘tensorflow.contrib’TensorFlow 2.0中contrib被弃用,尝试安装旧版tensorflowpip install tensorflow==1.14.0 # CPU版本,GPU略1.13.2原创 2021-06-11 00:01:15 · 1103 阅读 · 2 评论 -
standford lessons
standford lessonscs224nnlpcs224u自然语言理解网站http://web.stanford.edu/class/cs224u/B站:https://www.bilibili.com/video/av56067156/知乎:https://zhuanlan.zhihu.com/p/74471770原创 2021-06-10 20:32:24 · 52 阅读 · 0 评论 -
NLP CV ML future
NLP CV ML 未来NLP 推荐书目自然语言处理统计自然语言处理neural network methods for natural language processingdeep learning人工智能:一种现代的方法社会计算:网络,群体与市场,揭示高度互联世界的行为原理和效应机制知识图谱知识图谱的标注成本太大了Cyc是最早的通用的知识图谱之一,成本在1.2亿美元人工编辑一条三元组的成本在2——6美元不等...原创 2021-06-10 20:31:44 · 103 阅读 · 0 评论 -
找图,以图找图
想要找到图片的出处参考:网站推荐:11个相似图片搜索网站(以图找图):https://zhuanlan.zhihu.com/p/22735102https://tineye.com/以图找图每次做CV作业,都想先找到数据集,然后再做。这是一种在做作业可以使用,但是在科研及不推荐的方法。...原创 2021-06-10 11:20:55 · 204 阅读 · 0 评论 -
CodeAnyWhere
一款在线的,支持多语言的,在线编程平台https://ide.codeanywhere.com/jiang-1727237202941948/#/home/cabox/workspacehttps://zhuanlan.zhihu.com/p/98124932原创 2021-06-09 00:26:13 · 131 阅读 · 1 评论 -
中文通用百科知识图谱(CN-DBpedia)
http://www.openkg.cn/dataset/cndbpedia原始数据采用了中文通用百科知识图谱(CN-DBpedia)公开的部分数据, 包含900万+的百科实体以及6600万+的三元组关系。其中摘要信息400万+, 标签信息1980万+, infobox信息4100万+。...原创 2021-06-05 20:45:02 · 2061 阅读 · 0 评论 -
人脸验证 报告课
各个学校相互听课,rtw这周去北大听课有一个同学从头睡到尾,各个学校都差不多参考:人脸检测–MTCNN从头到尾的详解:https://zhuanlan.zhihu.com/p/58825924triplet Loss:用于训练差异性比较小的样本,比如人脸香港中文大学多媒体实验室:商汤科技创始人是实验室主任人脸确认1:Siamese networkone-shot Learning输入两张图片,得到特征编码的距离0.830.920.952:MTCNNpnet 人脸候选框.原创 2021-06-05 09:30:36 · 69 阅读 · 0 评论 -
docker & Harbor
1:prepare失败KeyError: 'data_volume’解决:https://blog.csdn.net/u011709380/article/details/114258655将harbor.yml和harbor.yml.teml保持一致就可以了Traceback (most recent call last): File "main.py", line 15, in <module> cli() File "/usr/lib/python3.6/sit原创 2021-06-02 21:01:10 · 274 阅读 · 0 评论 -
GAN之风格迁移
参考:GAN应用之风格迁移&超分辨重建,无监督深度学习新方法(4):https://blog.csdn.net/qq_43019117/article/details/82837329CycleGAN生成对抗网络图像处理工具:https://www.oschina.net/p/cyclegan?hmsr=aladdin1e1GAN在原始的GAN基础上设计了新的网络结构,生成模型使用U-net,判别模型使用patchGAN使用对抗性的损失,感知损失,模糊损失所有的损失函数延续了LSGAN原创 2021-06-01 10:44:23 · 1648 阅读 · 0 评论 -
VOC 灰度图 索引图
https://blog.csdn.net/xuyunyunaixuexi/article/details/85016882宝藏原创 2021-05-30 18:11:21 · 149 阅读 · 0 评论 -
语义分割的时候,发的牢骚
问题:opencv读取灰度图调用shape属性,显示通道数是3我想跑起来 呜呜呜呜1:VOC数据集1:IPEGImages原始图片,RGB图片,大小不一致2:Segmentation分割之后的图片,得到的是灰度图(深度是8位)3:ImageSetImageSet 中含有train.txt,value.txt,test.txt4:VOC_COLORMAP标签https://github.com/ShusenTang/Dive-into-DL-PyTorch/blob原创 2021-05-30 15:59:49 · 252 阅读 · 0 评论 -
语义分割 小总结
记录一下第三次作业 语义分割的做题思路,遇到的问题,以及学到的新知识作业是真的恶心,好恶心5.29日,熬夜,熬到四点,早上八点起来继续肝·····最终训练集0.87,验证集0.831:验证集的结果本地验证集上的MIOU0.83562:测试集上的结果3:自己所采用的的方法pspnet + resnet50我从上周的时候就开始看物体分割的相关模型以及历史,知道了有基于上采样的,也有最终选择了基于特征增强的PSPNet,最终遇到了包括但不限于以下的问题PSP网络的理.原创 2021-05-30 15:57:12 · 309 阅读 · 0 评论 -
EM算法
调查吸烟者和吸毒者的比例在人群中的比例向每5个人发放同一个问题,邀请他们回答在保证匿名性质的同时,得到了一些不知归属的成组答案EM算法随机化不知道答案是哪一个问题,就无法推测吸烟和吸食大麻的比例不知道这两个的比例,就不知道答案属于哪一个问题E部随机的为一组数据归类,并且通过归类得到他们的可能性在估算未知变量也就是问题归属的期望M步通过可能性,估算吸烟者和吸食大麻的概率,由于该概率是可能性最大的,直到较为稳定的数值就停止KMEANS算法目标是获得两个中.原创 2021-04-29 00:39:41 · 84 阅读 · 0 评论 -
机器学习资料参考
|南瓜书|南瓜书||钥匙书|钥匙书籍|原创 2021-04-28 18:27:48 · 62 阅读 · 0 评论 -
word文档出现方格乱码
切换字体,换一个可以识别中文的原创 2021-04-27 16:35:36 · 1478 阅读 · 0 评论 -
维度约简
LCA独立成分分析1:FA 因素分析2:鸡尾酒会问题1:问题描述N个人在意见房间里面开party,在每一个时刻都有n个人一起说话,被收集器采集到。结束之后,我们得到了m个声音的样例,我们如何从这m个样本中,分离n个人的声音2:盲源和相关性盲源分离假设数据来自于不同的物理过程,数据之间是没有关系的相关性协方差cov(x,y) = E(XY) - E(X)E(Y)如果两个变量是独立的,则X,Y没关系,此时E(XY) = E(X)E(Y)此时的协方差为0如果协方差为0原创 2021-04-26 20:35:33 · 328 阅读 · 0 评论 -
演化学习
演化学习1:理由学习是问题候选假设在进化中的一种竞争较好的候选假设在自然选择中不断的演化2:遗传算法GA:通过对当前最好的假设模型重组来产生后续假设模型1: t = 0,初始化种群P(t)2:如果不满足终止条件 评估种群P(t)每个染色体的适应度 根据适应度函数选择部分贪色体 根据所选择的染色体产生后代 根据P(t)中染色体的适应度,选择被替换的染色体,以后代替换 t = t + 13:终止 2原创 2021-04-26 20:35:01 · 481 阅读 · 0 评论 -
机器学习期末重点
期末好运~~原创 2021-04-22 17:58:59 · 569 阅读 · 0 评论 -
decision tree
参考:决策树:https://github.com/apachecn/AiLearning/blob/master/src/py3.x/ml/3.DecisionTree/DecisionTree.py画图:https://github.com/apachecn/AiLearning/blob/master/src/py3.x/ml/3.DecisionTree/decisionTreePlot.py文档:https://apachecn.gitee.io/ailearning/#/docs/ml原创 2021-04-21 20:26:07 · 130 阅读 · 0 评论 -
集成学习(期末复习)
集成学习参考:机器学习-浅谈随机森林的几个tricks:https://zhuanlan.zhihu.com/p/29408863机器学习算法之Boosting:https://www.biaodianfu.com/boosting.html1:集成学习原理原理:将多个个体学习分类器组合在一起,形成一个新的分类器是一个预测模型的元方法特点多个分类器集成在一起,以提高分类的准确性由训练数据构建基分类器,然后根据预测结果进行投票集成学习本身不是一种分类器,而是分类器组合方法集成学习分类原创 2021-04-21 16:29:30 · 801 阅读 · 0 评论 -
7.2 极大似然估计
7.2 极大似然估计 估计类条件概率的一种常用策略是先假设其具有某种确定的概率分布形式,然后再基于训练样本对概率分布的参数进行估计,具体的说,记关于类别C的类条件概率为P(X|C),假设P(X|C)具有确定的形式并且被参数向量 的θ 唯一确定,则我们的任务就是利用训练集 D估计参数 θ 。为了明确起见,我们将 P(X|C)记做是 P(X|θ ) 事实上,概率模型的训练过程就是参数估计的过程,对于参数估计,统计学界的两个学派分别提供了两种不同的解决方案,频率主义学派认为参数虽然是未知的,但是确实客观存原创 2021-04-13 20:24:24 · 518 阅读 · 0 评论 -
conda虚拟环境
conda虚拟环境文章目录conda虚拟环境1:创建虚拟环境2:激活虚拟环境3:退出虚拟环境4:查看tensorflow的地址5:查看anaconda的地址1:创建虚拟环境conda create -n tensor python=2.62:激活虚拟环境activate 3:退出虚拟环境deactivate 4:查看tensorflow的地址import tensorflowprint(tensorflow.__file__)5:查看anaconda的地址conda info原创 2021-03-15 19:26:37 · 149 阅读 · 0 评论 -
python中文件位置的书写
1:python中文件位置的书写前面加r,表示不转义\t \n都是转义字符SyntaxError: (unicode error) ‘unicodeescape’ codec can’t decode bytes in position 2-3: truncated \UXXXXXXXX escape原创 2021-03-14 10:19:20 · 162 阅读 · 0 评论 -
神经风格迁移
神经风格迁移参考 :https://zhuanlan.zhihu.com/p/84401154今天演示的过程中,我们有一部分的图像转换不是很理想,这是因为,我们这个技术所实现的仅仅是一种形式的改变图像纹理,或者叫纹理迁移。如果风格参考图像具有明显的纹理结构并且高度的自相似,并且内容,不需要高层次细节就能够被识别,那么这种方法的效果是最好的。它通常无法实现比较抽象的迁移,比如将一副肖像的个体迁移到另外一副中。这种算法更加接近于经典的信号处理,而不是接近于人工只能,因此不要指望它能够实现魔法般的效果。原创 2021-03-07 21:12:27 · 107 阅读 · 1 评论 -
15.3 剪枝优化
15.3 剪枝优化规则生成本质上是一个贪心搜索的过程,需要一定的机制缓解过拟合的风险,最常见的做法是剪枝(pruning)。与决策树相似,剪纸可以发生在规则生长过程中,即预剪枝。也可以发生在规则产生后,即后剪枝。通常是基于某种性能度量指标来评估增/删逻辑文字前后的规则性能,或增/删规则前后的规则集性能,从而判断是否要进行剪枝。剪枝还可以借助统计显著性检验来进行,例如CN2算法在预剪枝的过程时,假设用规则集来进行预测必须显著优于直接基于训练样例集后验概率分布进行预测,为了便于计算。CN2使用了似然原创 2021-02-20 09:55:46 · 764 阅读 · 0 评论 -
15.2 序贯覆盖
15.2 序贯覆盖规则学习的目标是产生一个能够覆盖尽可能多的样例的规则集。最直接的做法就是“序贯覆盖”,即逐条归纳。再训练集上的每学到一个规则,就将该规则覆盖的训练样例去除,然后以剩下的训练样例组成训练集重复上述过程。由于每次只处理一部分的数据,因此也被称为“分治”策略我们以命题规则学习为例来考察序贯覆盖法,命题规则的规则体是对样例属性进行评估的布尔函数,如“色泽 = 亲绿”,“含糖量 <= 0.2 ”等,规则头是样例类别。序贯覆盖法的关键是如何从训练集学出单条规则。显然,对规则学习目标,产生一原创 2021-02-19 09:34:26 · 661 阅读 · 0 评论 -
15.1 基本概念
15.1 基本概念机器学习中的规则(rule)通常是指语义明确,能描述数据分布所隐含的客观规律或者是领域概念,可写作“若……则……”形式的逻辑规则。“规则学习”(rule learning)是从训练数据中学习出一组能用于对未见实例进行判别的规则。形式化的看,一条规则形如:结果 ???? f1 ∩ f2 ∩ f3 ∩ f4其中逻辑蕴含符号 ????右边部分称作 规则体,表示该条规则的前提,左边部分称为“规则头”,表示该条规则的结果。规则体是由逻辑文字 fk 组成的合取式,其中合取符号 ∩ 用来原创 2021-02-16 10:08:57 · 111 阅读 · 0 评论 -
5.7 阅读材料
5.7 阅读材料Haykin是很好的神经网络教科书,Bishop则偏重机器学习和模式识别。神经网络领域的主流期刊有neural computation,neural networks,IEEE transactions on Neural and Learning Systems。主要的国际学术会议有国际神经信息处理系统会议(NIPS),和国际神经网络联合会议(IJCNN,区域性国际会议主要有欧洲神经网络会议(ICANN)和亚太神经网络(ICONIP)M -P 神经元模型使用最为广泛,但是还有一些神原创 2021-02-13 09:39:28 · 128 阅读 · 1 评论 -
5.6深度学习
5.6深度学习理论上来说,参数越多的模型复杂度越高,“容量”越大,这意味着它能够完成更加复杂的学习任务,但是一般情况下,复杂模型的训练效率低,易陷入过拟合,因此难以收到人们的青睐,而随着云计算,大数据时代的来领,计算能力的大幅提高可以缓解训练低效性,训练数据的大幅增加则可以降低过拟合的风险,因此,以“深度学习”为代表的复杂模型开始收到人们的关注。典型的深度学习模型就是很深层的神经网络,显然,对神经网络模型,提高容量的一个简单方法就是增加隐层的数量,隐层多了,响应的神经元的连接权和阈值等参数就会更多,模原创 2021-02-10 10:01:14 · 473 阅读 · 0 评论 -
5.2 感知机和多层网络
5.2 感知机和多层网络感知机(perception)由两层神经元组成,如图5.3所示,输入层接受外界输入信号后传递给输出层,输出层是M-P神经元,亦称为“阈值逻辑单元“感知机能够容易的实现逻辑 AND OR NOT,注意到 y = f(求和wixi - 谁他i),假设f是图5.2的阶跃函数,有AND x1 ∩ x2 w1=w2=1 谁他=2,此时1*1+1*1-2 =0,此时y=1OR x1 或 x2 w1=w2=1 谁他=1 只要有一个1,那么结果就是大于等于0,此时 y=1原创 2021-02-09 08:57:13 · 865 阅读 · 0 评论