- 博客(30)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 深度学习之python使用指定gpu运行代码
运行python文件时，在前面加上 CUDA_VISIBLE_DEVICES=xxx，xxx是你要指定的gpu序号。如`CUDA_VISIBLE_DEVICES=0,2 python extract_masks.py`表示指定了0、2号两个gpu。注意，序号是从0开始排的，所以如果你只有一个gpu，那么就是`CUDA_VISIBLE_DEVICES=0 python extract_masks.py`
2023-06-11 23:38:22
8735
2
原创 python 如何批量修改文件夹B中的文件名，使得它和另一文件夹A下的文件统一命名
想要做的事情就是：将文件夹B中的boat_0.png，boat_1.png，……一 一对应改成文件夹A中的00000.png，00001.png，……，方便后续对每对图片进行比较的操作。
2023-06-05 10:38:04
281
原创 深度学习之Pytorch中的flatten()、transpose()和permute()
flatten()：压缩维度；transpose()：转置（两个维度）；permute()：按照指定维度排列进行转置（多个维度）
2022-11-14 19:28:31
2942
1
原创 对比学习综述：Contrastive Representation Learning: A Framework and Review（2020）论文地址附文末↓
本文主要概括了20年这篇对比学习综述所讲的几个方面：对比表示学习的概念及示例，对比学习中的分类【对比表示学习框架、相似性分类（多感官信号、数据变换、上下文实例关系、序列一致性、自然聚类）、编码器分类、变换头transform heads分类、对比损失函数分类（评分函数、基于能量的利益损失、基于概率的损失、基于互信息的损失）】，在视觉任务中的应用，作者提出的一些讨论
2022-10-08 21:12:57
2608
原创 linux系统中用anaconda创建虚拟环境命令和报错解决方法
conda创建虚拟环境conda create -n your_env_name python=3.7python=x.x就是环境中要安装的python版本如果还没使用清华镜像网站，会创建环境错误，因为默认国内通道下载python速度太慢，此时则要先：添加清华镜像网站到路径conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/conda config --add channel
2022-05-13 22:16:50
3904
4
原创 pytorch神经网络训练及测试流程&代码
神经网络的训练及测试其实是个相对固定的流程，下面进行详细说明，包括命令行设置基本参数、如数据集路径等其他参数的设置、学习率、损失函数、模型参数的保存与加载及最终train.py与test.py的main()函数写法
2022-04-25 20:39:18
13875
原创 python引入其他py文件（模块）
以 a.py 想引入 b.py 为例：1、b.py 与 a.py 在同一目录下：import b2、b.py 在某文件夹内，目录结构类似如下：filename1----filename2--------b.pya.py解决方法：添加 init.py 文件目录结构变为：filename1----__init__.py----filename2--------__init__.py--------b.pya.py然后就可以在 a.py 通过import引入了：import
2022-03-17 15:45:40
14532
2
原创 linux服务器安装cupy出错：CuPy is not correctly installed
1、查找自己的cuda版本：cat /usr/local/cuda/version.txt我的是10.02、安装对应版本的cupy：pip install cupy-cuda100100是对应写你的版本号3、添加到环境变量：export CUDA_PATH=你的cuda安装路径export LD_LIBRARY_PATH=$CUDA_PATH/lib64:$LD_LIBRARY_PATHimport cupy不报错，成功安装。注意！cupy只能存在一个版本，可以用pip li
2022-03-12 23:25:11
3989
原创 linux安装wxpython报错：error:subprocess-exited-with-error
linux上安装wxpython报错：查资料发现windows或者mac就可以用上面的pip install -U wxPythonlinux需要用另一种pip方法：pip install -U -f https://extras.wxpython.org/wxPython4/extras/linux/gtk3/ubuntu-16.04 wxPython！！！如果还是报错的话，就用下面的方法：1、首先需要查询当前ubuntu版本：2、到wxpython官网下载对应ubuntu版本和python
2022-03-11 14:08:46
32498
原创 利用图神经网络（GNN）的视频/图像分割模型总结（AGNN、Episodic Graph Memory Networks、Cas-GNN）
利用图神经网络（GNN）的视频/图像分割模型总结，包括对应论文引用示例、模型示意图、主要参数解释及计算、三种模型的相同与不同点对比。
2022-02-17 11:17:21
4494
原创 整理的一些mysql数据库的操作（包括命令行和PHP脚本两种方式）
整理的一些mysql数据库的操作（包括命令行和PHP脚本两种方式）注意：除了连接的其他命令行都应该在最后加英文的 ; 做结尾1、连接/退出mysql服务器：①命令行：连接：mysql -u root -p 然后根据提示输入密码（登录成功后出现mysql>命令提示即为成功）退出：exit②PHP脚本：连接：$ conn=mysqli_connect(host,username,password,dbname,port,socket);（括号内均为可选项）退出：mysqli_close (
2021-10-17 23:59:17
183
原创 机器学习主要类型（五）：系列总结_思维导图（监督学习、无监督学习、半监督学习、强化学习）
机器学习主要类型（五）：系列总结_思维导图（监督学习、无监督学习、半监督学习、强化学习）_ _ _ _ _ _ 机器学习主要类型系列文章更新完毕，喜欢的朋友可以关注后续其他文章 _ _ _ _ _ _ 《机器学习主要类型》系列文章往期回顾：机器学习主要类型（一）：监督学习机器学习主要类型（二）：无监督学习机器学习主要类型（三）：半监督学习机器学习主要类型（四）：强化学习参考书目：周志华.《机器学习》邱锡鹏.《神经网络与深度学习》...
2021-10-13 23:19:46
755
1
原创 机器学习主要类型（四）：强化学习
机器学习主要类型（四）：强化学习 Reinforcement Learning强化学习和监督学习的不同在于，强化学习问题不需要给出“正确”策略作为监督信息，只需要给出策略的（延迟）回报，并通过调整策略来取得最大化的期望回报→强化学习和监督学习的区别：1）强化学习的样本通过不断与环境进行交互产生，即试错学习，而监督学习的样本由人工收集并标注；2）强化学习的反馈信息只有奖励，并且是延迟的，而监督学习需要明确的指导信息（每一个状态对应的动作）4.1马尔可夫决策过程 Markov Decision Proce
2021-10-11 16:16:14
2412
原创 机器学习主要类型（三）：半监督学习
机器学习主要类型（三）：半监督学习 Semi-Supervised Learning让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能未标记样本虽未直接包含标记信息，但若它们与有标记样本是从同样的数据源独立同分布采样而来，则它们所包含的关于数据分布的信息对建立模型将大有裨益半监督学习可进一步划分为纯（pure）半监督学习和直推学习 （transductive learning），前者假定训练数据中的未标记样本并非待预测的数据，而后者则假定学习过程中所考虑的未标记样本恰是待预测数据，学习的目的
2021-10-08 11:32:21
4991
原创 机器学习主要类型（二）：无监督学习
机器学习主要类型（二）：无监督学习 Unsupervised Learning2.1 无监督特征学习 Unsupervised Feature Learning一般用来进行降维、数据可视化或监督学习前期的数据预处理2.1.1主成分分析2.1.2稀疏编码2.1.3自编码器2.1.4稀疏自编码器 Sparse Auto-Encoder假设中间隐藏层z的维度M大于输入样本x的维度D，并让z尽量稀疏，这就是稀疏自编码器2.1.5堆叠自编码器 Stacked Auto-Encoder对很多数据
2021-10-08 10:28:30
1442
原创 机器学习主要类型（一）：监督学习
机器学习主要类型（一）：监督学习Supervised Learning1.1 分类1.1.1 二分类（类别标签y∈{-1，+1}或{0,1}）1.1.2 多分类（分类的类别数C大于2，通常需要多个线性判别函数）1.1.3类别不平衡问题class-imbalance一般的分类学习方法都有一个共同的基本假设：不同类别的训练样例数目相当。但如果不同类别的训练样例数目差别很大，则会对学习过程造成困扰。解决? → 一个基本策略：“再缩放rescaling”：分类器是基于进行决策，因此需对其预测值进行
2021-10-06 11:22:39
1414
原创 机器学习基础（十一）：前十章总结_思维导图（模型评估与选择_计算学习理论_特征选择、决策树_贝叶斯分类器_概率图模型、降维与度量学习_集成学习、规则学习）
前十章总结_思维导图1、模型评估与选择_计算学习理论_特征选择2、决策树_贝叶斯分类器_概率图模型3、降维与度量学习_集成学习4、规则学习_ _ _ _ _ _ 机器学习基础系列文章更新完毕，喜欢的朋友可以关注后续“机器学习主要类型”系列文章_ _ _ _ _ _机器学习基础系列文章回顾：机器学习基础（一）：简介机器学习基础（二）：模型评估与选择机器学习基础（三）：决策树机器学习基础（四）：特征选择与稀疏学习机器学习基础（五）：计算学习理论（PAC学习、有限假设空间、VC维、
2021-10-04 16:20:36
452
原创 机器学习基础（十）：规则学习（序贯覆盖、剪枝优化、命题学习、一阶规则学习、归纳逻辑程序设计ILP、最小一般泛化LGG、归结/逆归结）
10、规则学习 rule learning从训练数据中学习出一组能用于对未见示例进行判别的规则优势：①与神经网络、支持向量机这样的黑箱模型相比，规则学习具有更好的可解释性，使用户更直观地对判别过程有所了解②数理逻辑有极强的表达能力，绝大多数人类知识都能通过数理逻辑进行简洁的刻画和表达，因此规则学习能更自然地在学习过程中引入领域知识③逻辑规则的抽象描述能力在处理一些高度复杂的AI任务时具有显著的优势规则集合：规则集合中的每条规则都可看做一个子模型，规则集合是这些子模型的一个集成冲突：同一个示例被
2021-10-01 15:53:22
2888
1
原创 机器学习基础（九）：集成学习（Boosting、Bagging、Random Forest、学习器结合策略、多样性）
9、集成学习 ensemble learning通过构建并结合多个学习器来完成学习任务，有时也称为多分类器系统multi-classifier system、基于委员会的学习committee-based learning同质homogeneous集成：集成中只包含同种类型的个体学习器，其中的个体学习器亦称基学习器，相应的学习算法称为基学习算法异质heterogeneous集成：包含不同类型的个体学习器，其中的个体学习器亦称组件学习器，也不再有基学习算法（因为这些个体学习器是由不同的学习算法生成）
2021-09-30 15:56:36
1517
原创 机器学习基础（八）：降维与度量学习（KNN、MDS、线性降维、PCA、核化线性降维、流形学习、度量学习）
8、降维与度量学习8.1 k近邻k-Nearest Neighbor(KNN)学习常用的监督学习方法，“懒惰学习lazy learning”的代表给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个邻居的信息来进行预测通常分类任务中使用“投票法（选择这k个样本中出现最多的类别标记作为预测结果）”，回归任务中使用“平均法”，还可基于距离远近进行加权平均或加权投票，距离越近的样本权重越大。条件：假设任意测试样本x附近任意小的δ离范围内总能找到一个训练样本，即训练样本的采
2021-09-29 19:01:39
1697
原创 机器学习基础（七）：概率图模型（HMM、MRF、CRF、话题模型、推断方法）
7、概率图模型概率模型probabilistic model：提供一种描述框架，将学习任务归结于计算变量的概率分布，核心是如何基于可观测变量推测出未知变量的条件分布 →①生成式generative模型：考虑联合分布P(Y,R,O)②判别式discriminative模型：考虑条件分布P(Y,R|O)由①或②得到条件概率分布P(Y|O)（Y：所关心的变量集合；O：可观测变量集合；R：其他变量的集合）概率图模型probabilistic graphical model：一类用图来表达变量相关关系的概
2021-09-28 10:39:45
1499
原创 机器学习基础（六）：贝叶斯分类（贝叶斯决策论、朴素/半朴素贝叶斯分类器、贝叶斯网、EM算法）
6、贝叶斯分类6.1贝叶斯决策论Bayesian decision theory概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。贝叶斯判定准则Bayes decision rule：为最小化总体风险，只需在每个样本上选择那个能使条件风险最小的类别标记，即，h* 称为贝叶斯最优分类器Bayes optimal classifier，与之对应的总体风险R(h*)称为贝叶斯风险Bayes risk，1-R(h
2021-09-27 20:04:11
3413
原创 机器学习基础（五）：计算学习理论（PAC学习、有限假设空间、VC维、Rademacher复杂度、稳定性）
5、计算学习理论计算学习理论computational learning theory：研究关于机器学习的基础理论几个常用不等式：5.1 PAC学习概率近似正确（PAC）Probably Approximately Correct：最基本的计算学习理论——以较大的概率学得误差满足预设上限的模型，PAC 学习给出了一个抽象地刻画机器学习能力的框架若目标概念c∈H，则H中存在假设能将所有示例按与真实标记一致的方式完全分开，称该问题对学习算法是可分的separable/一致的consisten
2021-09-27 16:08:31
2429
原创 机器学习基础（四）：特征选择与稀疏学习
4、特征选择与稀疏学习对一个学习任务来说，给定属性集，其中有些属性可能很关键、很有用，另一些则可能没什么用。将属性称为特征feature，则对当前学习任务有用的属性称为相关特征relevant feature，没什么用的属性称为无关特征feature selection（有一类特征称为冗余特征redundant feature，所包含的信息能从其他特征中推演出来，它很多时候不起作用，但也有时候可恰好对应完成学习任务所需的中间概念，是有益的）→获得数据后通常先进行特征选择（数据预处理过程），此后再训练学习
2021-09-25 20:10:45
1124
原创 机器学习基础（三）：决策树
一、概念与基础3、决策树基本算法：3.1划分选择希望分支结点所包含的样本尽可能属于同一类别，即“纯度purity”越来越高3.1.1信息增益information gain信息熵information entropy：度量样本集合纯度最常用的一种指标信息增益：3.1.2增益率gain ratio3.1.3基尼指数Gini index→CART决策树（分类回归树）：在ID3基础上进行优化的决策树当CART是分类树时，采用GINI值作为节点分裂的依据；当CART是回归树时
2021-09-24 12:09:00
686
原创 视频对象分割方法（可用作实验对比）：FST，FSEG，SFL，LVO，ARP
视频对象分割方法（可用作实验对比）：FST，FSEG，SFL，LVO，ARP1、FST(ICCV2013: Fast object segmentation in unconstrained video)两个主要阶段：（1）Efficient initial foreground estimation有效的初始前景估计（2）Foreground-background labelling refinement前景-背景标签细化官方代码链接：http://groups.inf.ed.ac.uk/ca
2021-09-22 12:04:57
540
原创 机器学习基础（二）：模型评估与选择
一、概念与基础2、模型评估与选择错误率error rate，精度accuracy，误差error，训练误差training error/经验误差empirical error（在训练集上的误差），泛化误差generalization error（在新样本上的误差）过拟合overfitting（当学习器把训练样本学的太好了的时候，可能已经把训练样本本身的一些特点当做了所有潜在样本都会具有的一般性质，导致泛化性能下降→无法彻底避免，只能减小其风险）欠拟合underfitting（对训练样本的一般性质尚未
2021-09-19 10:49:26
509
2
原创 机器学习基础（一）：简介
一、概念与基础1、名字由来阿瑟.萨缪尔Arthur Samuel,1952年研制了一个具有自学习能力的西洋跳棋程序，1956年应约翰.麦卡锡John McCarthy（人工智能之父）之邀，在标志着人工智能学科诞生的达特茅斯会议上介绍这项工作。他发明了“机器学习”这个词，将其定义为“不显示编程地赋予计算机能力的研究领域”。2、假设空间hypothesis space3、版本空间version space4、归纳偏好inductive bias机器学习算法在学习过程中对某种类型假设的偏好。如果
2021-09-18 13:50:26
416
Zotero安装程序-亲测好用的论文整理+阅读软件
2023-03-13
FBMS数据集，包括他的训练集和测试集。
2022-04-13
视频对象分割（VOS）评价指标（区域相似度J，边界准确度F，时间稳定性T）的计算代码
2022-04-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人