- 博客(113)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 python对文档中元素操作---删除、替换等
pthon更换文档中某元素：with open('E:\\桌面\\train.txt', 'r') as f: lines = f.readlines()with open('E:\\桌面\\1704.txt', 'a') as ff: # 此处 w 和 a，均可，反正是新建的临时文件，文件不存在时会自动创建 for line in lines: # kv = line.strip().split(' ') kv = line.split(' ...
2022-03-09 16:14:36
730
原创 pytorch中网络训练添加日志
pytorch中添加日志如果是指保存训练过程中的loss，accuracy等metric的话，可以采用下面的方法：import logging def get_logger(filename, verbosity=1, name=None): level_dict = {0: logging.DEBUG, 1: logging.INFO, 2: logging.WARNING} formatter = logging.Formatter( "[%(asctime...
2022-03-09 16:11:19
1647
原创 python实现对doc、txt、xls等文档的读写操作
目录1.python实现对doc文档的读取2.python实现对txt文档的读取3.python实现对xls表格的读取1.python实现对doc文档的读取#读取docx中的文本代码示例import docx#获取文档对象file=docx.Document("path")print("段落数:"+str(len(file.paragraphs)))#段落数为13，每个回车隔离一段#输出每一段的内容for para in file.paragraphs: pri..
2022-01-20 11:00:51
5680
5
原创 linux常见命令---深度学习炼丹炉必备---更新中
目录1.修改环境变量2.查看当前conda环境3.如果执行conda activate ***出现问题时需要初始化shell4.查看当前cuda版本*5.有了ubuntu系统安装基本的工具6.linux下安装显卡驱动7.linux下安装cuda如果有多个版本的cuda怎么办呢？8.linux下安装cudnn9.创建conda环境10.查看本机IP地址1.修改环境变量vim ~/.bashrc保存环境变量source ~/.bashrc如果在
2022-01-20 10:55:59
2569
6
原创 【室友用一局王者荣耀的时间学会了用python写春联】
目录0.效果展示1.导入模块2.获取对应汉字内容及像素3.生成并保存对联2022年了，又到了贴对联的时间了，不得安排一波用python脚本写对联吗？0.效果展示竖排：横批：1.导入模块PIL：全称 Python Imaging Library，是 Python 平台一个功能非常强大而且简单易用的图像处理库。但是，由于 PIL 仅支持到Python 2.7，加上年久失修，于是一群志愿者在 PIL 的基础上创建了兼容 Python 3 的版本，名字叫 Pi
2022-01-20 10:43:10
178
原创 深度学习环境配置---显卡驱动、pytorch、cuda和cudnn之间的配置关系
目录1. 显卡驱动2.cuda3.cudnn4.pytorch简单的关系如下图：1. 显卡驱动显卡驱动是电脑上服务于显卡的驱动程序，有了显卡驱动显卡的功能才能被最大化利用！显卡驱动的作用就是用来驱动显卡的，这是电脑硬件中所对应的一个软件。通过添加驱动程序计算机中的硬件就能正常的工作，当然不同的硬件使用的驱动程序也不一样。显卡对应的就是显卡驱动。显卡在电脑中提供图形的重要显示部分，直接关系到电脑的图形显示，而且显卡还可以提供更清晰的画质，给用户带来视频体验。显卡驱动的作用就
2022-01-14 10:27:52
4593
原创 单目可见光视频三维深度估计（python实现）
目录技术要点：主要应用：准备工作：构建环境：激活环境：需要安装库：权重文件下载：开始预测：1.采集图片2.修改标签文件3.训练模型4.启动主程序全部代码：说明：本篇文章主要借鉴于抖音恩培大佬的代码，大佬的github地址为：enpeizhao (enpei) (github.com)感兴趣的朋友也可以关注大佬的抖音号！技术要点： 脸部姿态估计识别与检测 帧率检测 目标物体三个角度x、y、z估计 主要应用： 家
2022-01-09 20:17:34
2956
9
原创 神经网络训练数据准备---数据标签在numpy和tensor之间的转换及处理---Pytorch实现
目录1.从txt文档中读取训练数据和测试数据2.从txt文件中读取标签数据3.将训练数据和测试数据转化为tensor形式，为后面训练做准备，因为训练数据在pytorch要求一般为tensor格式4.将标签转化为float型(此处是因为做的是回归任务)，如果想要做分类任务的话需要将标签转化为long型！5.将已经转化为tensor格式的(train_datas, train_labels)和(test_datas, test_labels)转化为Data.DataLoader可以使用的格式
2022-01-06 21:23:03
3255
4
原创 Python实现十大经典排序算法---[冒泡排序、选择排序、插入排序、希尔排序、归并排序、快速排序、堆排序、计数排序、桶排序、基数排序]--动画演示
目录多种排序的平均时间复杂度如下：1.冒泡排序算法步骤2.插入排序算法步骤：3.选择排序算法步骤：4.希尔排序算法步骤5.归并排序算法步骤6.快速排序算法步骤：7.堆排序算法步骤8.计数排序算法步骤：9.桶排序10.基数排序算法步骤：关于对---基数排序 vs 计数排序 vs 桶排序的比较：排序算法可以分为内部排序和外部排序，内部排序是数据记录在内存中进行排序， 而外部排序是因排序的数据很大，一次不能容纳全部的排序记录，
2022-01-06 21:14:46
235
1
原创 利用python和前端三件套来一场线上烟花秀
目录python烟花秀效果展示：全部代码如下：前端三件套（JS、CSS、HEML）的烟花秀HTML部分：定义网页内容CSS部分：描述网页布局JS部分：控制网页行为End✨✨✨✨✨✨✨元旦节就要来了，线下没有烟花看，线上不得整点烟花酷炫一下嘛！！啥？过啥圣诞节？过啥洋节，咱们过元旦节好吧！✨✨✨✨✨✨✨python烟花秀效果展示：在这里，我们设计一个对象，表示烟花事件中的每个粒子。每个粒子都会有一些重要的属性，支配了它的外观和移动状况：大
2021-12-30 22:36:44
3784
11
原创 ShuffleNet：通道的打乱与混洗
目录背景：通道混洗简述ShuffleNet v1网络结构：ShuffleNet v2网络结构：背景：为了降低计算量，当前先进的卷积网络通常在3×3卷积之前增加一个1×1卷积，用于通道间的信息流通与降维。然而在ResNeXt、MobileNet等高性能的网络中，1×1卷积却占用了大量的计算资源。 2017年的ShuffleNet v1从优化网络结构的角度出发，利用组卷积与通道混洗（Channel Shuffle）的操作有效降低了1×1逐点卷积的计算量，是一个极为高效的轻量化网络。而20
2021-12-22 13:47:40
6586
3
原创 MobileNet：深度可分离（原理及代码）
目录背景：标准卷积：深度可分离卷积：MobileNet v1结构小结MobileNet v2结构背景：SqueezeNet虽在一定程度上减少了卷积计算量，但仍然使用传统的卷积计算方式，而在其后的MobileNet利用了更为高效的深度可分离卷积的方式，进一步加速了卷积网络在移动端的应用。 为了更好地理解深度可分离卷积，我们首先回顾标准的卷积计算过程，然后详细探讨深度可分离卷积过程，以及基于此结构的两个网络结构MobileNet v1与MobileNet v2。论文地址：
2021-12-21 23:57:52
2059
1
原创 SqueezeNet：压缩、扩展和融合（提供代码）
目录背景：论文地址：1602.07360.pdf (arxiv.org)网络结构：小结代码地址：GitHub - forresti/SqueezeNet: SqueezeNet: AlexNet-level accuracy with 50x fewer parameters背景：当物体检测应用到实际工业场景时，模型的参数量是一个十分重要的指标，较小的模型可以高效地进行分布式训练，减小模型更新开销，降低平台体积功耗存储和计算能力的限制，方便在FPGA等边缘平台上部署。 基于以
2021-12-21 23:52:24
557
1
原创 利用PaddleDetection部署自己的轻量级移动检测嵌入式平台（多种高性能网络模型）--Pytorch实现
目录文章核心：1.效果图及视频展示2.背景3.安装PaddlePaddle4.预训练模型的下载比如yolov3在coco和voc数据集上的预训练模型和权重列表如下：4.模型导出（python端）5.模型预测1.图片预测2.视频预测，帧率在10左右3.文件夹下图片预测当然也可以自己进行训练，相应的指令为：安装过程中遇到的其他问题：全部源码均在PaddleDetection的官方Github上，地址如下：（本文用的版本是最新2.3的版本）Paddl
2021-12-17 22:36:28
2510
2
原创 深度神经网络压缩和加速详解
目录1.背景介绍2.压缩方法概述3.压缩方法详述3.1参数剪枝3.2参数量化3.3低秩分解（张量分解）3.4参数共享3.5紧凑网络3.6知识蒸馏3.7混合模型3.8不同压缩模型比较1.背景介绍深度学习模型的压缩和加速是指利用神经网络参数的冗余性和网络结构的冗余性精简模型,在不影响任务完成度的情况下,得到参数量更少、结构更精简的模型.被压缩后的模型计算资源需求和内存需求更小,相比 原始模型能够满足更加广泛的应用需求. 接下来系统...
2021-12-17 15:07:53
3357
1
原创 Cascade RCNN：走向检测器的级联
目录背景：网络结构：相关代码：（Pytorch实现）整体结构：demo代码：全部代码地址：背景：从之前的知识可知，在得到一个RoI后，Faster RCNN通过RoI与标签的IoU值来判断该RoI是正样本还是负样本，默认的IoU阈值为0.5，这个阈值是一个超参数，对于检测的精度有较大影响。 如何选择合适的阈值是一个矛盾的问题。一方面，阈值越高，选出的RoI会更接近真实物体，检测器的定位会更加准确，但此时符合条件的RoI会变少，正、负样本会更加不均...
2021-12-17 10:32:48
1225
原创 R-FCN：走向全卷积的网络
目录1.背景：论文地址:2.结构图：3.相关代码：（caffe框架）训练代码：整体python代码实现:1.背景：由于全连接的参数量过大，现在越来越多的网络开始去掉全连接，R-FCN就是一个很好的例子！而且个人认为全卷积应该是未来！Faster RCNN在RoI Pooling后采用了全连接网络来得到分类与回归的预测，这部分全连接网络占据了整个网络结构的大部分参数，而目前越来越多的全卷积网络证明了不使用全连接网络效果会更好，以适应各种输入尺度的图片。 一个很自然.
2021-12-16 18:29:13
2417
原创 Mask RCNN：走向实例级分割
背景：继提出Faster RCNN之后，大神何凯明进一步提出了新的实例分割网络Mask RCNN，该方法在高效地完成物体检测的同时也实现了高质量的实例分割，获得了ICCV 2017的最佳论文！一举完成了object instance segmentation！！（不仅仅时语义分割，而且是实例分割：不仅仅识别不同类，还要是要识别大类下面的小类）该方法在有效地目标的同时完成了高质量的语义分割。 文章的主要思路就是把原有的Faster-RCNN进行扩展，添加一个分支使用现有的检测对目标进行并行预测。同...
2021-12-16 17:52:48
1112
原创 HyperNet: 走向特征融合，提高小物体检测精度
目录1.背景：2.结构图：3.优点4.加速策略：5.产生优异效果：6.轻量化方法：1.背景：卷积神经网络的特点是，深层的特征体现了强语义特征，有利于进行分类与识别，而浅层的特征分辨率高，有利于进行目标的定位。原始的Faster RCNN方法仅仅利用了单层的feature map（例如VGGNet的conv5-3），对于小尺度目标的检测较差，同时高IoU阈值时，边框定位的精度也不高。 在2016 CVPR上发表的HyperNet方法认为单独一个feature ...
2021-12-16 16:31:57
3277
原创 Faster RCNN总结（优缺点说明）
# 两种特殊卷积：转置卷积和空洞卷积[TOC]## 1.转置卷积##### 简介： 我们一般可以通过卷积操作来实现高维特征到低维特征的转换。比如在一 维卷积中，一个5维的输入特征，经过一个大小为3的卷积核，其输出为3维特征。 如果设置步长大于1，可以进一步降低输出特征的...
2021-12-16 15:08:08
10519
2
原创 两种特殊卷积：转置卷积和空洞卷积
目录1.转置卷积2.空洞卷积3.总结1.转置卷积简介：我们一般可以通过卷积操作来实现高维特征到低维特征的转换。比如在一 维卷积中，一个5维的输入特征，经过一个大小为3的卷积核，其输出为3维特征。 如果设置步长大于1，可以进一步降低输出特征的维数。但在一些任务中，我们需 要将低维特征映射到高维特征，并且依然希望通过卷积操作来实现。假设有一个高维向量为和一个低维向量为如果用仿 射变换来实现高维到低维的映射， 其中为转换矩阵。我们可以很容易地通过转置 W来实现低维到高...
2021-12-11 18:13:31
4626
5
原创 网络中的网络：NiN
前面几篇文章介绍的LeNet、AlexNet和VGG在设计上的共同之处是：先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构成的模块来输出分类结果。其中，AlexNet和VGG对LeNet的改进主要在于如 何对这两个模块加宽（增加通道数）和加深。今天我们来介绍网络中的网络（NiN）：它提出了另外 一个思路，即串联多个由卷积层和“全连接”层构成的小网络来构建一个深层网络。我们知道卷积层的输入和输出通常是四维数组（样本，通道，高，宽），而全连接层的输入和输出则通常是二...
2021-12-11 16:49:13
1596
3
原创 单阶段多层检测器：SSD （理论及Pytorch代码详解）
目录背景：SSD结构及特点介绍：数据增强：基础的VGG结构：深度卷积层:先验框与边框特征提取网络总体网络的前向计算过程损失函数计算与先验框匹配：预选框与真实框的匹配定位损失计算难样本挖掘类别损失计算SSD总结（优缺点简述）背景：对于物体检测任务，前面Faster RCNN算法采用了两阶的检测架构，即首先利用RPN网络进行感兴趣区域生成，然后再对该区域进行类别的分类与位置的回归，这种方法虽然显著提升了精度，但也限制了检测速度。YOLO算...
2021-12-08 20:54:55
3218
4
原创 Python call()方法
Python类中一个非常特殊的实例方法，即 _ _call _ _()。该方法的功能类似于在类中重载 () 运算符，使得类实例对象可以像调用普通函数那样，以“对象名()”的形式使用。 __call__方法的参数就是调用实例时需要的参数。可调用对象均具有__call__()方法！！class CLanguage: # 定义__call__方法 def __call__(self,name,add): print("调用__call__()方法",name,add)...
2021-12-07 23:46:31
1835
1
原创 python将图片转化为自己想要的FPS视频格式（代码解析）
科研必备代码！废话不多说！上代码！import osimport cv2# 图像路径im_dir = 'H:\\test\\out_test2'# 输出视频路径video_dir = 'E:\\桌面'##不存在就造一个！if not os.path.exists(video_dir): os.makedirs(video_dir)# 设置视频帧率fps = 20 ###设置所需的帧率# 得到当前路径的所有的文件的列表frames = sorted(os.l...
2021-12-06 21:52:21
1073
2
原创 python批处理将图片进行放大
有时候对于网络识别，将原始图片放进网络中并不能达到自己想要的效果，但是有时候如果将图片放大之后，识别率却能够达到意想不到的结果，现在提供一种将文件中的图片进行批处理的代码：import osfrom PIL import Imageimport sys #获取path目录下的所有文件def get_imlist(path): return[os.path.join(path,f) for f in os.listdir(path)] def ch...
2021-12-06 21:50:00
2210
7
原创 从端到端的Fast RCNN到走向实时的Faster RCNN (原理及Pytorch代码解析)
目录RCNN背景：原理：缺点：端到端的Fast RCNN背景：原理：缺点：走向实时：Faster RCNN (two-stage)背景：原理：RPN详解：Anchor的理解：RPN的真值和预测值：RPN卷积网络:RPN真值的求取：损失函数：NMS与生成Proposal：筛选Proposal得到ROl：ROl Pooling层：相关主干代码：RCNN背景：RCNN全称为Regions with CNN Feat
2021-12-03 12:38:35
7796
3
原创 cuda、torch、torchvision对应版本以及安装
查找torch与torchvision对应版本匹配情况如下：1.在线下载：在pytorch官网选择相应的历史版本，使用conda或者pip安装，使用官网的镜像下载很慢，建议使用其他的镜像源，这里我使用的是阿里的镜像速度还不错。pip install torch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 -i https://mirrors.aliyun.com/pypi/simple/2.离线下载在tor.
2021-12-02 23:08:59
38918
原创 cuda nvidia等驱动的安装和卸载
查看cuda 版本cat /usr/local/cuda/version.txt查看cudnn 版本cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2查看显卡驱动版本cat /proc/driver/nvidia/version或输入nvidia-smicuda安装 驱动安装完成后，下载cuda安装包（CUDA Toolkit Archive | NVIDIA Developer） sudo
2021-12-02 23:06:55
4585
原创 jupyter notebook环境配置
1.安装jupter终端输入： jupyter notebook如果未成功激活jupter则要自己先安装jupter：pip install jupyter ##安装jupterjupyter notebook ##启动jupter2.创建自己的conda环境conda create -n *** python=3.63.激活环境conda activate ***4.安装ipykernel包pip install ipykernel5.建...
2021-12-02 10:58:17
9880
2
原创 Backbone 之 DetNet：为检测而生（Pytorch实现及代码解析）
背景：前面几节的网络骨架，如VGGNet和ResNet等，虽从各个角度出发提升了物体检测性能，但究其根本是为ImageNet的图像分类任务而设计的。而图像分类与物体检测两个任务天然存在着落差，分类任务侧重于全图的特征提取，深层的特征图分辨率很低；而物体检测需要定位出物体位置，特征图分辨率不宜过小，因此造成了以下两种缺陷： 大物体难以定位：对于FPN等网络，大物体对应在较深的特征图上检测，由于网络较深时下采样率较大，物体的边缘难以精确预测，增加了回归边界的难度。 小物体难以检测：对于传统网.
2021-11-30 22:41:07
5829
原创 Backbone 之 FPN：特征金字塔 （Pytorch实现及代码解析）
背景：为了增强语义性，传统的物体检测模型通常只在深度卷积网络的最后一个特征图上进行后续操作，而这一层对应的下采样率（图像缩小的倍数）通常又比较大，如16、32，造成小物体在特征图上的有效信息较少，小物体的检测性能会急剧下降，这个问题也被称为多尺度问题。 解决多尺度问题的关键在于如何提取多尺度的特征。传统的方法有图像金字塔（Image Pyramid），主要思路是将输入图片做成多个尺度，不同尺度的图像生成不同尺度的特征，这种方法简单而有效，大量使用在了COCO等竞赛上，但缺点是非常耗...
2021-11-30 21:53:25
9940
1
原创 python中 inplace 参数的理解
pandas 中 inplace 参数在很多函数中都会有，它的作用是：是否在原对象基础上进行修改 inplace = True：不创建新的对象，直接对原始对象进行修改； inplace = False：对数据进行修改，创建并返回新的对象承载其修改结果。其默认的数值是False，即创建新的对象进行修改，原对象不变，和深复制和浅复制有些类似。实例1--inplace=True情况：import pandas as pdimport numpy as npdf=pd.DataFra..
2021-11-30 21:22:10
11132
2
原创 Bachbone 之 DenseNet：继往开来（Pytorch实现及代码解析）
背景:上一节的ResNet通过前层与后层的“短路连接”（Shortcuts），加强了前后层之间的信息流通，在一定程度上缓解了梯度消失现象，从而可以将神经网络搭建得很深。更进一步，本节的主角DenseNet最大化了这种前后层信息交流，通过建立前面所有层与后面层的密集连接，实现了特征在通道维度上的复用，使其可以在参数与计算量更少的情况下实现比ResNet更优的性能，提出DenseNet的《Densely Connected Convolutional Networks》也一举拿下了2017年CVPR的最佳论
2021-11-30 20:35:08
5774
1
原创 Python函数中参数前带*和**是什么意思？
背景前几天看了些python的代码，发现有些函数的参数前带有（）号，有的甚至有两个（）号，它们代表什么意思的？解释查阅资料后发现，参数前面加上* 号 ，意味着参数的个数不止一个，另外带一个星号*参数的函数传入的参数存储为一个元组（tuple），带两个**星号参数则是表示字典（dict） 下面我们实际操作一下：def t1(param1, *param2): print(param1) print(param2)t1(1,2,3,4)# 1# (2...
2021-11-30 20:24:22
7990
原创 Backbone 之 ResNet：里程碑（Pytorch实现及代码解析）
背景：由于随着网络的层数不断加深，网络训练变得越发地困难，一方面会产生梯度消失的现象，另一方面月神的网络返回的梯度相关性会越来越差，越接近白噪声，导致梯度更新也接近于随机扰动。由此ResNet应运而生。思路：引入一个深度残差框架来解决梯度消失问题，即让卷积网络去学习残差映射，而不是期望每一个堆叠层的网络都完整的拟合潜在的映射（拟合函数）。结构图：在ResNet中，上述的一个残差模块被称之为Bottleneck，其中ResNet有不同的网络层版本，比如：18，34，52，101和15.
2021-11-30 19:54:45
728
原创 Backbone 之 Inception：纵横交错 （Pytorch实现及代码解析）
背景：一般来说，增加网络的深度和宽度可以提升网络的性能，但是这样做也会带来参数量的大幅度增加，同时较深的网络需要较多的数据，否则很容易产生过拟合现象。除此之外，增加深度的有一个坏处就是很容易造成梯度消失的现象。由此，ImageNet大赛上，GoogLeNet（Inception）很好地解决了这个问题。Inception基础结构图：Inception特点： 采用并行结构代替之前VGG的深度串行结构 采用几个大小不同的卷积运算和池化，最后再拼接（通道拼接）到一起 1x.
2021-11-30 19:52:19
5062
原创 Bachbone 之 VGGNet：走向深度 （Pytorch实现及代码解析）
2014年的VGGNet荣获ImageNet亚军，其主张探索网络深度与性能的关系，用更小的卷积核与更深的网络结构，并且还取得了较为优异的效果，其网络结果图如示：从图中可以看出来，网络大概有6种版本，最为常用的是VGG16的版本。VGGNet采用了5组卷积和3个全连接层，最后的部分采用Softmax做分类，其有一个显著的特点就是： 每经过一层池化层，特征图的尺寸减小一倍，通道数增加一倍 更多地使用3x3的卷积核来代替5*5的卷积核，因为两个3x3的卷积核...
2021-11-30 19:48:57
3547
原创 好玩的开源项目MotionInput v2.0：探索无外接设备的交互---骨架检测、人脸关键点检测及追踪、手势识别、表情识别
------基于手势的机器学习和计算机视觉方法的模块库，用于与网络摄像头交互和控制现有软件（支持DirectX)-------原论文地址：https://arxiv.org/ftp/arxiv/papers/2108/2108.04357.pdf)1.Motioninput简介：Motioninput共有四个模块，用于描述基于 Windows 的交互的手势输入。他们使用常规网络摄像头和开源机器学习库，为 Microsoft Windows 10 上支持 DirectX 的...
2021-11-30 12:32:21
3775
2
原创 利用knn svm cnn 逻辑回归 mlp rnn等方法实现mnist数据集分类（pytorch实现及源码解析）
电脑 配置：python3.6**Pytorch 1.2.0**torchvision 0.4.0想学习机器学习和深度学习的同学，首先找个比较经典的案例和经典的方法自己动手试一试，分析这些方法的思想和每一行代码是一个快速入门的小技巧，今天我们谈论怎么用一些比较经典的方法实现经典数据集MNIST的识别分类问题。废话不多说，直接上代码！！！1.svm实现#!/usr/bin/env python3# -*- coding: utf-8 -*-# arguments
2021-11-27 20:56:35
2911
3
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人