- 博客(48)
- 收藏
- 关注
RSS订阅原创 如何计算3种卷积之后的尺寸（普通卷积，转置卷积，空洞卷积）
三种卷积之后的feature map的尺寸如何计算。包括普通卷积，转置卷积，空洞卷积。可以在下面这个链接看到三种卷积的动态图。卷积动态图。
2023-09-25 16:48:52
454
原创 DUC（dense upsampling convolution）模块的实现（Pytorch）
在这篇论文中提出了DUC模块，DUC的全称是dense upsampling convolution，即密集上采样卷积。提出的背景是：在decoder阶段，一般采用双线性插值和转置卷积来实现。第一种的双线性插值其参数不可学习的，这样会造成细节信息的损失，第二种的转置卷积会在原图中填充0，论文中没说这样做有什么不好，我自己的想法是，在特征图之间填充0会导致特征图便模糊，及是细节信息损失。作者于是提出了DUC模块。提示：以下是本篇文章正文内容，下面案例可供参考。
2023-09-23 11:13:10
469
2
原创 记录一次错误---想让U-net网络输入大小不一致的图片
最近在看Deeplab系列的论文，文中提到了语义分割领域的一个难题是：将图片输入网络之前需要resize成统一大小，但是resize的话会造成细节信息的损失，所以想要网络处理任意大小的图片输入。我之前训练的U-net网络都是resize成224*224大小，于是我想实验一下不resize，直接将数据经过Totensor(),归一化之后直接丢进网络，但是确报错了。还是说中只是在test的时候能够处理任意大小的图片就行，因为不需要Dataloader了。查了一下发现，在Pytorch中。
2023-09-22 12:32:47
562
1
原创 Pytorch---空间特征金字塔SPP模块的实现
该模块的主要作用是：在分类网络中，通过分类器之后，与全连接层连接时，全连接层的形状是固定的，所以必须将输入网络的图片resize成224。池化窗口的大小和步长都是跟随输入的h和w所变化的，所导致的结果就是，池化之后的h和w一定是4乘以4，2乘以2，1乘以1。2大小的， 然后经过第三个最大池化，得到的结果是1*1大小的。输入为（8，3，16，16），经过SPP模块之后，大小为。输入为（8，3，15，15），经过SPP模块之后，大小为。这里16，16刚好是4，2，1的整数倍，更换其他数字。
2023-09-20 21:03:16
547
原创 Python技巧---tqdm库的使用
可以看到有描述性信息，进度条，已经运行了多少时间，还差多少时间，速度。在之后还可以添加后缀描述，见下面。一般都是在train函数中使用tqdm，讲dataloader做为一个可迭代对象传入tqdm。“tqdm” 是一个 Python 库，用于在命令行界面中创建进度条。只介绍传入的三个参数：iterable, desc, total。iterable:是一个可迭代对象。desc：进度条前的描述性信息。total：可迭代对象的长度。
2023-09-15 16:37:09
1070
原创 Pytorch-----torch.nn.Module.modules()
在使用pytorch构建神经网络时，定义的网络模型必须要继承自torch.nn.Module这一父类。在Module类中，有一个函数可以返回网络中所有模块的迭代器。这就是torch.nn.Module.modules()提示：以下是本篇文章正文内容，下面案例可供参考。
2023-08-07 14:41:58
559
原创 python中*与**的使用
在python中与**的使用要区分是在函数定义时还是在函数调用时。在函数定义时参数前面使用，代表将收集调用函数时的非关键字参数，并且存储在一个元组args中。在函数定义时参数前面使用**，代表将收集调用函数时的关键字参数，并且存储在一个字典kwargs中。
2023-08-04 19:08:58
199
原创 力扣刷题记录---利用python实现链表的基本操作
如何使用python实现链表的基本操作，包括结点的定义，链表的定义，求链表长度，链表是否为空等等一系列函数提示：以下是本篇文章正文内容，下面案例可供参考由于python万物皆对象，变量实际上是对象的引用，相当于就保存了对象的地址初始化时会自动生成一个空链表，其中head指向None。
2023-07-29 21:46:35
319
原创 优化器学习
最优化是应用数学的一个分支，主要研究在特地情况下函数的最大最小值。优化目标一般有凸函数和非凸函数两种。其中凸函数的全局最小值与局部最小值一般重合。其中非凸函数的局部最小值点有很多，不与凸函数的全局最小值点重合。在深度学习中，由于激活函数的非线性特点和网络的复杂性，导致要优化的目标是一个很复杂的非凸函数。在深度学习中的优化方法一般可以分为两类第一类是 基于更新方向（SGD，Momentum）第二类是 基于选择更适合的学习率（）
2023-07-08 22:23:52
336
原创 力扣方法总结-----动态规划-----买卖股票的最佳时机系列题目
将每一天的状态分为dp[i][0]，dp[i][1]，dp[i][2]，dp[i][3]，dp[i][4]五种，其中dp[i][0]代表第i天什么不做时，手里的最大金钱。dp[i][1]代表第i天不持有股票（刚好代表第i天卖出，第i+1天为冷冻期），dp[i][2]代表第i天不持有股票（其中第i天一定是上一个冷冻期之后的天数），dp[i][3]代表第i天为冷冻期。将每一天的状态分为dp[i][0]和dp[i][1]两种，其中dp[i][0]代表第i天持有股票时，手里的最大金钱。所以在定义状态时要有所改变。
2023-07-07 21:58:24
290
原创 K-means
K-means属于聚类算法的一种，除了K-means，还有K-中心点算法，基于层次的方法等等。对于给定的分组数k，算法会首先给出一个初始的分组方法，然后通过不断迭代的方法改变分组，使得同一组内的距离越来越近，不同组间的距离越来越远。聚类的目标函数依赖于点到簇的质心的邻近性，使用误差的平方和（SSE）作为度量聚类质量的目标函数。（2）分别计算其余点和k个簇中心点的距离，离哪一个簇中心点最近，就将其划分到对应的簇。（1）在n个数据对象的集合中，随机的选择k个点，分别做为k个簇的中心。（2）簇类中心不再变化。
2023-07-02 11:47:06
651
原创 FCN,U-net,U-net++
（1）首个端到端的针对像素级预测的全卷积神经网络（2）全卷积：将分类经典网络中的全连接层全部替换为卷积层（3）将浅层的位置特征与深层的语义特征结合起来，但结合的方式是简单相加，与U-net的通道拼接方式不一样。（1）完全对称的U型结构使得前后特征融合更为彻底，使得高分辨率信息与低分辨率信息在目标图片中增加。（2）跳跃连接时融合的方式是按照通道进行拼接U-net++的主要思想是在U-net的编码器和解码器之间添加更多的路径。
2023-06-03 20:10:18
129
原创 python基本语法学习
从五月一日开始，研究生的实验室团队要求新生每周进行学习，并在周末提交自己的学习总结。学习的主要内容从python基础到机器学习到深度学习到pytorch框架，最后是一些经典网络的复现。虽然在大学期间已经学过很多次python，但是学了忘，所以还是按照流程，过一遍python的语法，以下会总结以前没有注意到一些知识点，方便以后自己查阅。学习的书籍是《python编程从入门到实践第二版》
2023-05-05 16:17:48
45
原创 第一章概述-------第一节--1.7 计算机网络体系结构
计算机网络的各层及其协议的集合就是网络的体系结构，计算机网络的体系结构就是这个计算机网络及其构件所应完成的功能的精确定义。表明TCP/IP协议可以为各式各样的应用提供服务，同时TCP/IP协议也允许IP协议在各种各样的网络构成的互联网上运行。由于两个计算机网络系统要想互相通信，需要很复杂的流程，设计体系结构时采用了分层的思想。服务在协议的控制下，两个对等实体间的逻辑通信使得向本层向上一层提供服务。体系结构是抽象的，而实现则是具体的，是真正在运行的计算机硬件和软件。要使用本层协议，也需要使用下一层的服务。..
2022-07-27 19:45:50
511
原创 第一章概述-------第一节--1.6 计算机网络的性能
如果从发送端连续发送数据，则在发送的第一个比特到达接收端时，发送端已经发送了时延带宽积个比特的数据了，时延带宽积也称为以比特为单位的链路长度。比特（binarydigit，二进制数字），bit，b，代表二进制数字0或者1，速率指的是数据传送速率，也称为数据率或比特率。从图上可以看出，当利用率增大时，时延会增大，而且会增大的越来越快，当利用率趋近于1时，时延也趋于无穷大。往返时间表示双向交互一次需要多少时间，包括发送时延，传播时延，处理时延，排队时延。指的是数据从网络的一端传送到另一端所需的时间。...
2022-07-27 15:59:33
297
原创 第一章概述-------第一节--1.5 计算机网络的类别
计算机网络主要是由一些通用的，可编程的硬件互连而成，而这些硬件并非用来专门实现某一特定目的，这些可编程的硬件能够用来传送多种不同类型的数据，并能够支持广泛的和日益增长的应用。注意的地方（1）计算机网络所连接的硬件，并不限于一般的计算机，而是包括了智能手机，可编程硬件表明一定带有CPU（2）计算机网络并不专门用来传送数据，而是能够支持很多运用。...
2022-07-26 15:59:18
180
原创 第一章概述-------第一节--1.3互联网的组成
提示这里对文章进行总结例如以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。httpshttpshttpshttps。
2022-07-26 15:23:00
412
原创 第一章概述-------第一节--1.2互联网概述
就实现了这样的功能。如上图，右方的两个地区ISP通过IXP连接起来，这样主机A和主机B交换时，不用再经过最上层的主干ISP，直接在两个地区ISP之间搭建高速链路对等交换分组。由于本地ISP通过路由器连接到地区ISP，地区ISP通过路由器连接到主干ISP，通过ISP之间的合作，可以完成所有分组转发的任务。互联网的迅猛发展始于20实际90年代，由欧洲原子核研究组织开发的万维网（WorldWideWeb）被广泛使用在互联网上，方便了非网络专业人员对网络的使用，这也是互联网使用数量快速增加的主要动力。...
2022-07-20 19:53:06
437
原创 第一章概述-------第一节--1.1计算机网络在信息时代中的作用
这些用户终端都彼此连通一样。但是与使用传统的电信网络有所不同，由于互联网具有虚拟的特点，所以当你收到一封邮件时，你可能无法准确的知道谁给你发送的邮件。对于仅在局部范围互连起来的计算机网络，只能称之为互连网，而不是互联网。指的是资源共享，包括信息共享，软件共享，硬件共享。上网用户之间不论相距多远，都可以方便的交换各种信息，计算机网络使用户能够在计算机之间传送数据文件。电信网络向用户提供电话，电报及传真服务。有线电视网络向用户传送各种电视节目。其中发展最快的是计算机网络。本书主要翻译为互联网。...
2022-07-16 20:25:49
119
原创 数据分类分析--聚类
聚类是把一个数据对象划分成多个组或簇的过程，使得簇内对象相似度很高，而簇间对象相似度很低。聚类属于无监督分类方式。主要得的聚类方法主要有：基于划分的方法，基于层次的方法，基于密度的方法，基于网格的方法，基于模型的方法。给定一个有n个数据对象的集合，基于划分的方法会构建数据的k个分组，其中每个分组表示一个簇。对于给定的分组数k，算法会首先给出一个初始的分组方法，然后通过不断迭代的方法改变分组，使得同一组内的距离越来越近，不同组间的距离越来越远。基于划分思想的算法有k-means，k-中心点。如果想达
2022-06-26 17:05:56
3831
原创 数据分类分析-惰性学习法
急切学习法：指在利用算法进行判断之前,先利用训练集数据通过训练得到一个目标函数,在需要进行判断时利用已经训练好的函数进行决策。惰性学习法：在最开始的时候不会根据已有的样本创建目标函数,只是简单的把训练用的样本储存好,后期需要对新进入的样本进行判断的时候才开始分析新进入样本与已存在的训练样本之间的关系。典型的惰性学习法是KNN，它不会根据训练集训练一个模型，而是将训练集存储起来，当需要预测的时候，从训练集中找到最相似的样本，把其结果作为预测结果。KNN算法的思想是如果一个样本在特征空间内的K个最相近的样本大
2022-06-25 20:35:38
920
原创 数据分类分析-组合分类器
集成学习算法系列的起源来自于PAC Learn ability（概率近似可学习），PAC理论定义了学习算法的强弱。组合分类器是一个复合模型，由多个基分类器组成，给定训练集合后，多分类集合可以训练出多个不同的基分类器。在分类阶段，每个基分类器都参与对测试用例分类并给出结果，然后按照某种方法对不同基分类器给出的分类结果组合得到最终分类结果。将K个学习到的模型M1，M2，…，Mk组合在一起，形成一个复合分类模型M*，然后将数据集D划分成k份，D1，D2，…，Dk，用于训练基分类模型M1，M2，…，Mk。当预测一个
2022-06-25 17:11:24
526
原创 数据分类分析--分类器评估方法
真正例/真阳例（TP）：预测正确的正例真负例/真阴例（TF）：预测正确的负例假正例/假阳例（FT）：错误得预测为正例，实际为负例假负例/假阴例（FP）：错误得预测为负例，实际为正例其中第一行可以看成实际为正，第二行看成实际为假，第一列看成预测为正，第二列看出预测为假。准确率，识别率：（TP + TN）/（TP + FN + FP + TN）错误率：（FP + FN）/（TP + FN + FP + TN）召回率（实际正例中，预测为正例的比例）：TP / （TP + FN）精确率（预测为正例当
2022-06-25 16:34:21
410
原创 数据分类算法-朴素贝叶斯
p（活着） = 0.5 * 0.8 + 0.5 * 0.3花活着这一事件可以分为两种情况，一种是如果邻居记得浇水的情况下，花活着，另一种是如果邻居忘记浇水的情况下，花活着。p（邻居记得浇花 | 花活着） = （p（花活着|邻居记得浇花）* p（邻居记得浇水））/ （p（花活着|邻居记得浇花）*p（邻居记得浇水）+ p（花活着|邻居忘记浇花）*p（邻居忘记浇水）） = （0.8 * 0.5） / （0.8 * 0.5 + 0.3 * 0.5）贝叶斯算法基于贝叶斯定理，有严谨的数学理论支撑，当假设各
2022-06-25 15:41:31
898
原创 数据分类分析--决策树算法
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。决策树是一种类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分支代表该测试的一个输出，而每个叶子节点（终端节点）存放一个分类结果。上图是一个决策时的示例。当决策树构建好之后，对检验记录进行分类就很容易，从树的根节点开始，将测试条件用于检验记录，沿着树的分支达到叶子节点，得到分类结果。原则上讲，对于给定的属性集，可以构造的决策树很多，所有如何在合理的时间内构造出具有一
2022-06-24 16:48:13
1969
原创 数据关联分析
关联规则挖掘：在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的频繁模式、关联、相关性、或因果结构。频繁模式：频繁地出现在数据集中的模式。假定某超时销售的商品包括：bread，beer，cake，cream，milk，tea。项目与项集：设I = {i1，i2，i3，… ，im}是m个不同项目的集合，其中每个ik（k = 1，2，3，…，m）都是一个项目（item），项目的集合称为项集（itemset），项集中项目的个数称为项集的长度，长度为k的项集称为k-项集。例如，{br
2022-06-23 17:36:46
2709
原创 数据认知与数据预处理--数据预处理
只有当数据的质量好才能保证数据分析的结果好。然后实际系统中的原始数据会因为很多原因出现数据错误，数据缺失，不一致等情况，所以需要对原始数据进行预处理，包括数据清洗，数据集成，数据归约，数据转换。目的：填充或删除缺失值，降低噪声与识别离群点。数据清洗的第一步偏差检测（数据的不一致性，字段过载），第二步纠正偏差1.缺失值处理（1）直接删除缺失属性的记录。（2）人工填写缺失值。（3）使用全局常量填写缺失值（4）使用属性的中心趋势度量值填写缺失值（中位数或均值）（5）使用与给定元组属于同一类的所有样本
2022-06-23 14:03:19
2180
原创 数据认知与数据预处理--数据认知
每一条数据可以称为数据集的一个样本，而每一条数据要用不同的特征描述出来，特征也称为属性。属性通常分为两大类。一类是定性描述的属性，其可以划分为标称属性，布尔属性，序值属性，不具备数的大部分性质。一类是定量描述的属性，即数值属性，用数表示，并且具有数的大部分性质，可以是整数值和离散值。标称属性：符号或事物的名称。但是有时候，机器学习任务中，模型只能接受数值型属性，所以可以用one-hot编码将标称属性重新编码。二元属性：只有0和1两个状态，如果一个二元属性的两种状态有相同的权重，就说这个二元属性是对称
2022-06-20 17:03:06
1315
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人