![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
笔记
文章平均质量分 61
victor-gx
这个人很懒,还没有写简介
展开
-
jeesite创建用户
jeesite创建用户原创 2022-10-24 08:56:10 · 946 阅读 · 1 评论 -
Vim插件管理插件Vim-plug
Vim/Neovim插件管理Vim-plugVim是一款古老但不过时,强大但让人望而却步的编译器Vim是上世纪的编译器,但是随着时代的发展,Vim现在依然受广大程序员的喜爱Vim现在依旧受广大程序员喜爱的原因之一就是他又非常多、非常强大的插件,但是Vim的插件需要插件来安装。没错,就是用Vim插件来安装Vim插件,今天主要给大家介绍一个管理Vim插件的插件Vim-plug虽然现在Vim和Neovim都开始自带插件管理功能,但一个插件管理器会让你安装以及升级vim插件的过程变得更加方便快捷。安装vi原创 2022-04-18 00:30:18 · 2520 阅读 · 0 评论 -
上古神器Vim
玩转Vim世界上10种人,会Vim的和不会Vim的初识Vim,想说声爱你以很久开始编辑输入i(insert)进入编辑模式,开始输入文字i表示在当前字符的后一个位置插入a表示在当前字符的前一个位置插入o表示在当前字符所在行的下一行插入I表示在当前字符所在行的最后一个位置插入A表示在当前字符所在行的第一个位置插入O表示在当前字符所在行的上一行插入:w保存当前文件:q退出当前文件:wq保存并退出当前文件:h option-list查看设置缩写esc回到正常(normal)模式V原创 2022-04-17 23:50:38 · 1545 阅读 · 0 评论 -
Java:GUI编程
文章目录GUI编程AWT一、AWT介绍二、组件和容器(Component和Container)2.1.Frame2.2.Panel三、布局管理器3.1.第一种布局管理器——FlowLayout3.2.第二种布局管理器——BorderLayout3.3.第三种布局管理器——GridLayout(表格布局管理器)3.4.布局练习四、布局管理器总结五、事件监听六、TextField事件监听七、内部类八、Graphics类九、鼠标事件适配器十、window事件十一、键盘响应事件Swing一、常用窗体1. JFram原创 2022-04-15 16:59:36 · 2708 阅读 · 0 评论 -
Java:IO流
IO流什么是IO流I:InputO:Output通过IO可以完成硬盘文件的读和写IO流的分类1.按照流的方式进行分类输入流(InputStream):往内存中去,叫输入(Input),或者叫做读(Read)。输出流(OutputStream):从内存中出来,叫输出(Output),或者叫做写(Write)。2.按照读取数据的方式进行分类按字节的方式读取数据:一次读取1个字节byte,等于一次读取8个二进制。这种流是万能的,什么类型都可以读取。包括:文本文件、图片、声音、原创 2022-04-01 10:23:35 · 594 阅读 · 0 评论 -
Java异常
Java异常异常概念说成人话就是bug异常发生的原因有很多,通常包含以下几大类:用户输入了非法数据。要打开的文件不存在。网络通信时连接中断,或者JVM内存溢出。这些异常有的是因为用户错误引起,有的是程序错误引起的,还有其它一些是因为物理错误引起的。要理解Java异常处理是如何工作的,你需要掌握以下三种类型的异常:**检查时异常:**最具代表的检查性异常是用户错误或问题引起的异常,这是程序员无法预见的。例如:要打开一个不存在文件时,一个异常就发生了,这些异常在编译时不能被简原创 2022-03-30 15:43:13 · 493 阅读 · 0 评论 -
配置jdk1.7
配环境变量、配环境变量、配环境变量(重要的事说三遍)什么是环境变量?请看我这篇博客程序猿的第一步——环境变量在D盘下建一个JDK的文件夹,一会儿用来存放jdk-17(当然不管哪个盘都可以)一、找到你下载的jdk的路径二、安装jdk双击jdk-17_windows-x64_bin.exe,点是等一会出现如下界面,不要点下一步、不要点下一步、不要点下一步接下来最关键的一步,该路径点击更改更改的路径如下改的路径必须记住,改的路径必须记住,改的路径必须记住重要的事说三遍点下一步原创 2022-02-26 19:18:38 · 1068 阅读 · 0 评论 -
目标检测基础(IoU)
目标检测基础(IoU)什么是IOU?IOU(交并比 Intersection over Union)是一个术语,用于描述两个框的重叠程度。重叠区域越大,IOU越大。IOU主要用于与对象检测相关的应用程序中,在该应用程序中,我们训练模型输出一个完全包围目标的外接矩形框。例如,在上图中,我们有一个绿色框和一个蓝色框。绿色框表示真实框,蓝色框表示我们模型的预测框。训练模型的目的是不断改进其预测框的输出,直到蓝色框和绿色框完全重叠,即两个框之间的IOU等于1。IOU经常用于非最大值抑制中,基于检测框的置信原创 2022-02-15 00:03:38 · 750 阅读 · 0 评论 -
零基础使用paddlepaddle搭建LeNet-5网络
卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算的前馈神经网络,是基于图像任务的平移不变性(图像识别的对象在不同位置有相同的含义)设计的,擅长应用于图像处理等任务。一、卷积神经网络简介在图像处理中,图像数据具有非常高的维数(高维的RGB矩阵表示),因此训练一个标准的前馈网络来识别图像将需要成千上万的输入神经元,除了显而易见的高计算量,还可能导致许多与神经网络中的维数灾难相关的问题。对于高维图像数据,卷积神经网络利用了卷积和池化层,能够高效提取图像原创 2022-02-13 23:34:41 · 539 阅读 · 0 评论 -
深度学习中的各种卷积
深度学习中的各种卷积一、卷积与互相关在信号处理、图像处理和其它工程/科学领域,卷积都是一种使用广泛的技术。在深度学习领域,卷积神经网络(CNN)这种模型架构就得名于这种技术。但是,深度学习领域的卷积本质上是信号/图像处理领域内的互相关(cross-correlation)。这两种操作之间存在细微的差别。无需太过深入细节,我们就能看到这个差别。在信号/图像处理领域,卷积的定义是:(f∗g)(t)=∫−∞∞f(τ)g(t−τ)(f*g)(t)=\int_{-\infty}^{\infty}f(\tau)g原创 2022-02-12 23:45:02 · 3830 阅读 · 0 评论 -
链式法则(Chain rule)
Chain rule>>> x=torch.tensor(1.)>>> w1=torch.tensor(2.,requires_grad=True)>>> b1=torch.tensor(1.)>>> w2=torch.tensor(2.,requires_grad=True)>>> b2=torch.tensor(1.)>>> y1=x*w1+b1>>> y2=y1原创 2022-02-11 23:42:51 · 697 阅读 · 0 评论 -
感知机(Perceptron)
感知机单一输出感知机Perceptron>>> x=torch.randn(1,10)>>> w=torch.randn(1,10,requires_grad=True)>>> o=torch.sigmoid(x@w.t())>>> o.shapetorch.Size([1, 1])>>> loss=F.mse_loss(torch.ones(1,1),o)>>> loss.sha原创 2022-02-10 23:40:17 · 57 阅读 · 0 评论 -
LOSS及其梯度
LOSS及其梯度Typical LossMean Squared Error(MSE)Derivativeautograd.grad>>> x=torch.ones(1)>>> w=torch.full([1],2.)>>> mse=F.mse_loss(x*w,torch.ones(1))>>> msetensor(1.)>>> torch.autograd.grad(mse,[w])Tra原创 2022-02-09 23:58:03 · 1926 阅读 · 0 评论 -
激活函数及其梯度
激活函数及其梯度sigmoidDerivative>>> a=torch.linspace(-100,100,10)>>> atensor([-100.0000, -77.7778, -55.5556, -33.3333, -11.1111, 11.1111, 33.3333, 55.5556, 77.7778, 100.0000])>>> torch.sigmoid(a)tensor([0.0原创 2022-02-08 23:41:14 · 499 阅读 · 0 评论 -
Tensor高阶OP
高阶OPwhereexample>>> condtensor([[0.1251, 0.6173], [0.8600, 0.1675]])>>> atensor([[0., 0.], [0., 0.]])>>> btensor([[1., 1.], [1., 1.]])>>> torch.where(cond>0.5,a,b)tensor([[1., 0.],原创 2022-02-07 23:51:43 · 73 阅读 · 0 评论 -
Tensor的统计属性
统计属性norm-p>>> a=torch.full([8],1.)>>> b=a.view(2,4)>>> c=a.view(2,2,2)>>> btensor([[1., 1., 1., 1.], [1., 1., 1., 1.]])>>> ctensor([[[1., 1.], [1., 1.]], [[1., 1.], [1.原创 2022-02-06 23:37:17 · 1286 阅读 · 0 评论 -
Tensor的基本运算
基本运算Add/minus/multiply/divide>>> a=torch.rand(3,4)>>> b=torch.rand(4)>>> a+btensor([[1.5473, 0.8469, 1.3391, 0.4954], [1.8049, 1.5318, 1.4299, 0.6006], [1.1770, 1.3373, 0.7201, 1.2777]])>>> torch.ad原创 2022-02-05 23:50:58 · 305 阅读 · 0 评论 -
Tensor的合并与分割
合并与分割Cat>>> a=torch.rand(4,32,8)>>> b=torch.rand(5,32,8)>>> torch.cat([a,b],dim=0).shapetorch.Size([9, 32, 8])for example>>> a1=torch.rand(4,3,32,32)>>> a2=torch.rand(5,3,32,32)>>> torch.cat(原创 2022-02-04 23:59:54 · 751 阅读 · 0 评论 -
Tensor的维度变换
维度变换OperationView/reshape>>> a=torch.rand(4,1,28,28)>>> a.shapetorch.Size([4, 1, 28, 28])>>> a.view(4,28*28)tensor([[0.1881, 0.6594, 0.4549, ..., 0.5385, 0.8488, 0.4619], [0.7678, 0.0459, 0.3048, ..., 0.0318, 0.7原创 2022-02-03 23:43:14 · 2359 阅读 · 0 评论 -
Tensor的索引与切片
索引与切片Indexing>>> a=torch.rand(4,3,28,28)>>> a[0].shapetorch.Size([3, 28, 28])>>> a[0,0].shapetorch.Size([28, 28])>>> a[0,0,2,4]tensor(0.5978)select first/last N>>> a.shapetorch.Size([4, 3, 28, 28])&原创 2022-02-02 23:39:54 · 257 阅读 · 0 评论 -
创建Tensor
创建TensorImport from numpy>>> import numpy as np>>> import torch>>> a=np.array([2,2.3])>>> torch.from_numpy(a)tensor([2.0000, 2.3000], dtype=torch.float64)>>> a=np.ones([2,3])>>> torch.from_numpy原创 2022-02-02 01:02:28 · 79 阅读 · 0 评论 -
利用PyTorch进行完整的模型训练
完整的模型训练import torchvisionfrom torch.utils.tensorboard import SummaryWriterfrom model import *# 准备数据集from torch import nnfrom torch.utils.data import DataLoadertrain_data = torchvision.datasets.CIFAR10(root = "../dataset", train = True, transform =原创 2022-01-30 23:44:08 · 665 阅读 · 0 评论 -
PyTorch现有网络模型的使用和修改
PyTorch现有网络模型的使用和修改import torchvision# train_data = torchvision.datasets.ImageNet("dataset", split = 'train', download = True,# transform = torchvision.transforms.ToTensor())from torch import nnvgg16_false原创 2022-01-30 00:59:10 · 1776 阅读 · 0 评论 -
PyTorch搭建小实践
PyTorch搭建小实践import torchfrom torch import nnfrom torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequentialfrom torch.utils.tensorboard import SummaryWriterclass Model(nn.Module): def __init__(self): super(Model, self).__init__()原创 2022-01-28 23:52:09 · 1395 阅读 · 0 评论 -
PyTorch中线性层的操作
线性层参数:in_features: 每个输入样本的大小out_features:每个输出样本的大小bias:如果设置为False,该层将不会学习附加偏差。默认:Trueimport torchimport torchvisionfrom torch import nnfrom torch.nn import Linearfrom torch.utils.data import DataLoaderdataset = torchvision.datasets.CIFAR10(ro原创 2022-01-27 23:45:18 · 526 阅读 · 0 评论 -
PyTorch中非线性激活函数
非线性激活import torchimport torchvisionfrom torch import nnfrom torch.nn import ReLU, Sigmoidfrom torch.utils.data import DataLoaderfrom torch.utils.tensorboard import SummaryWriterinput = torch.tensor([[1, -0.5], [-1, 3]])inp原创 2022-01-27 00:26:54 · 1453 阅读 · 0 评论 -
最短路问题
最短路问题Dijkstra求最短路朴素版题目:给定一个 n 个点 m 条边的有向图,图中可能存在重边和自环,所有边权均为正值。请你求出 1 号点到 n 号点的最短距离,如果无法从 1 号点走到 n 号点,则输出 −1。输入格式第一行包含整数 n 和 m。接下来 m 行每行包含三个整数 x,y,z,表示存在一条从点 x 到点 y 的有向边,边长为 z。输出格式输出一个整数,表示 1 号点到 n 号点的最短距离。如果路径不存在,则输出 −1。数据范围1≤n≤500,1≤m≤105原创 2022-01-26 00:00:38 · 127 阅读 · 0 评论 -
PyTorch中卷积的简单操作
卷积Conv1dConv1dinput:形状的输入张量weight: 形状过滤器bias:形状的可选偏置张量( out_channels ). 默认:Nonestride:卷积核的步长。可以是单个数字或元组(sH, sW)。默认值:1padding:输入两侧的隐式填充。可以是字符串 {‘valid’, ‘same’}、单个数字或元组(padH, padW)。默认值:0 padding='valid'与无填充相同。padding='same'填充输入,使输出具有作为输入的形原创 2022-01-25 23:53:18 · 1857 阅读 · 4 评论 -
池化层的使用
池化层MaxPool2dkernel_size:窗口的大小以达到最大值stride:窗口的步幅。默认值为kernel_sizepadding:要在两侧添加隐式零填充dilation: 控制窗口中元素步幅的参数return_indices:如果True,将返回最大索引和输出。ceil_mode:当为 True 时,将使用ceil而不是floor来计算输出形状import torchfrom torch import nnfrom torch.nn import MaxPool2d原创 2022-01-23 23:39:42 · 1215 阅读 · 0 评论 -
PyTorch中data的处理
Dataset类的使用from torch.utils.data import Datasetfrom PIL import Imageimport osclass MyData(Dataset): def __init__(self, root_dir, label_dir): self.root_dir = root_dir self.label_dir = label_dir self.path = os.path.join(sel原创 2022-01-22 23:48:52 · 440 阅读 · 0 评论 -
PyTorch中数据集的使用
torchvision中得数据集使用pytorch中为我们提供了常用的数据集,可以同过代码下载root:表示数据集路径,cifar-10-batches-py如果下载设置为 True,则目录存在或将保存到该目录 。train:如果为 True,则从训练集创建数据集,否则从测试集创建transfrom:它接受一个 PIL 图像并返回一个转换后的版本。例如,下面用到的transforms.Composetarget_transform:接收目标并转换它的函数/转换download如果为 true,原创 2022-01-21 22:55:08 · 1195 阅读 · 0 评论 -
PyTorch中TensotBoard的使用
TensotBoard的使用add_scalar()的使用from torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter("logs") # 事件存放路径for i in range(100): writer.add_scalar("y=2x", 2*i, i) # 图像名 y轴 x轴writer.close()打开事件方法在Pycharm左下角打开终端输入tensorboard --logdir原创 2022-01-20 23:42:13 · 1151 阅读 · 0 评论 -
Python学习中的两大法宝函数
Python学习中的两大法宝函数一般的教程的介绍顺序是:基本的数据类型,一些常用函数之类的。但我在学习的过程中,比如他在介绍 b函数,总会引入 a函数之类的。而 a函数的意义我又不知道,就很烦了。而且,我还不知道每个模块中,有哪些函数,整个学习过程中,对我来说太痛苦了。所以,这次我会介绍 Python 中的两个法宝函数,它试用于任何 Python Package,所以,当然也适用于 PyTorch。Package 与 两大法宝函数一个 Package 就好像一个工具箱。现在来解析,这个名为 py原创 2022-01-19 23:46:43 · 286 阅读 · 0 评论 -
PyTorch环境配置及安装
1、Anacond下载Anaconda 的下载地址:https://www.anaconda.com/distribution/(目前,页面上是 Python3.9 的版本)Anaconda历史版本链接:https://repo.continuum.io/archive/2、Anaconda 安装双击进行安装,需要注意以下几点:记住安装路径,之后会用到跳过安装 Microsoft VSCode为了检验是否安装成功,在开始菜单出,左击 Anaconda Prompt如果可以成功打开,且左边有原创 2022-01-19 00:05:59 · 2348 阅读 · 0 评论 -
背包九讲(例题+代码)
背包九讲文章目录背包九讲01背包问题完全背包问题多重背包问题多重背包问题 I(二进制优化)多重背包问题 II(单调队列优化)混合背包问题二维费用的背包问题分组背包问题有依赖的背包问题背包问题求方案数背包问题求具体方案脉络图01背包问题题目:N件物品、容量背包是 V。第 i 件物品的体积是 vi,价值是 wi。每件物品只能使用一次。求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。输出最大价值。输入格式第一行两个整数,N,V,用空格隔开,分别表示物品数量和背包容积原创 2022-01-16 23:31:54 · 208 阅读 · 0 评论 -
C++常用STL
C++常用STLSTL(Standard Template Library) 是⼀个 C++ 软件库,⾥⾯包含算法(algorithms)、容 器(containers)、函数(functions)、迭代器(iterators)vector变成数组创建方法:vector<type> v:定义一个a数组使用方法:size()返回元素个数empty()返回是否为空clear()清空front()/back()返回第一/最后一个元素push_back()/pop_back()插在第原创 2022-01-15 22:38:20 · 403 阅读 · 0 评论 -
docker教程
docker教程安装参考docker官网将当前用户添加到docker用户组为了避免每次使用docker命令都需要加上sudo权限,可以将当前用户加入安装中自动创建的docker用户组sudo usermod -aG docker $USER镜像(images)docker pull ubuntu:20.04:拉取一个镜像docker images:列出本地所有镜像docker image rm ubuntu:20.04 或 docker rmi ubuntu:20.04:删除镜像ubun原创 2022-01-14 22:58:57 · 246 阅读 · 0 评论 -
git安装及使用
文章目录Git环境配置启动GitGit 配置Git相关的配置文件:Git基本理论工作区域工作流程Git文件操作文件4种状态查看文件状态忽略文件使用GitHubgit常用命令Git环境配置打开 git官网,下载git对应操作系统的版本。官网下载太慢,我们可以使用淘宝镜像下载:淘宝镜像下载对应的版本即可安装!安装:无脑下一步即可!启动Git安装成功后在开始菜单中会有Git项,菜单下有3个程序:Git Bash:Unix与Linux风格的命令行,使用最多,推荐最多Git CMD:Window原创 2022-01-11 00:53:23 · 122 阅读 · 0 评论 -
Linux基础之ssh
ssh登录基本用法远程登录服务器:ssh user@hostnameuser: 用户名hostname: IP地址或域名第一次登录时会提示:The authenticity of host 'x.x.x.x (x.x.x.x)' can't be established.ECDSA key fingerprint is SHA256:iy237yysfCe013/l+kpDGfEG9xxHxm0dnxnAbJTPpG8.Are you sure you want to con原创 2022-01-06 22:38:59 · 60 阅读 · 0 评论 -
Linux基础之shell语法
概论shell是我们通过命令行与操作系统沟通的语言。shell脚本可以直接在命令行中执行,也可以将一套逻辑组织成一个文件,方便复用。Terminal中的命令行可以看成是一个“shell脚本在逐行执行”。Linux中常见的shell脚本有很多种,常见的有:Bourne Shell(/usr/bin/sh或/bin/sh)Bourne Again Shell(/bin/bash)C Shell(/usr/bin/csh)K Shell(/usr/bin/ksh)zsh…Linux系统中原创 2022-01-05 22:53:17 · 516 阅读 · 0 评论