G1D17-研究方向&rce45-49&不快乐就去敲敲代码

现在每天晚上都觉得一天结束的好快呀~每天早上都很幸福,因为还有一天的时间呐!!!
今天主要的事情是完成老师的作业——论文主题阅读的report,看一下动态规划(emm最近喜欢啃这种让人掉头发的问题~)当然,还有,一些其他算法,论文复习,ctf,blabla
先复习一下昨天的svm&rce42-45

一、复习

1、svm
从描述问题到拉哥朗日条件的解释,不够流畅,lambda>=0除了从图上解释合理性,还有办法吗
2、主要是回显屏蔽~通过加;让下一句话被扔到/dev/null垃圾桶

二、论文报告

(一)研究方向

1、
这一步真的很难,因为我始终觉得自己的方向很模糊。
所以借此机会得以明确,也是一件好事情。
emm。。还是任务倒逼好~不然思路太发散,效率太低。
先写初版,再迭代吧!
2、APTnotes
这个好像是一个很棒的APT报告资源
在这里插入图片描述

---------1104完成了第一部分~定义自己的研究内容
找了好多篇文献!!!感觉上午刚开始效率不高,后来push自己dodododo,效率开始变高。还是do-iter模式比较好~先去打个饭hhh

中午有个师兄说要做电zha,简单聊了一会感觉能帮还是要多帮发挥一下自己不多的储备。

–1314浪漫的时间点,继续做思维导图了!!!还有好多论文要读呢!!!

感觉效率一般般啦~先去做核酸!!!无目的工作的效率就是好低哈
刚刚发现早几年的工作,引用量还不低,是个好事情hhh

1412还去找了一波快递!
开始学习!
先用20分钟,把空填上。
然后用30分钟,写一下文档的内容。
然后做一些别的,
之后,看论文,迭代更新。

1439
没有写完,但很高效,感觉脑子在动。思维导图是个好东西!

1637
emm
emm

emmm越写越绝望emmm

这个思维导图,今天先做到这里吧~日后慢慢读论文,慢慢完善。一会再整理一下。

去食堂吃了烤鸭嘿嘿回来和舍友聊了会天。感觉好久没有和人说话啦
有点emo,打开了之前买的明信片,真好看呐~

emm一般emo的时候就去抄抄代码屡试不爽

三、CS224Wcolab1

妈耶,敲代码真的治emo!
1、samples negative edges
有点忘了这个的含义啦~
负采样就是负样本的采集嘛~
放在图里就是没有出现在图里的边的收集啦~

四、DP问题

还有一个小时要去责教做卫生啦~
浅浅看下DP吧
浅看一下,感觉没有acwing讲的好~大概看了一节
明天解决warshall 和floyd

先做一下ctf

五、RCE46-49

50每天听清楚emm

扫责教去了~

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值