- 博客(24)
- 收藏
- 关注
RSS订阅原创 湖南星图面试
1.mindspore怎么迁移到pytorch的，效率如何，中间遇到了什么困难（这个问题之前也有公司问）2.开发板上的NPU或者GPU的运行效率如何（这个问题之前也有公司问）3.怎么做多类别分割的，增加了CBAM注意力机制提升了多少。4.论文中的对比算法是什么，有没有和CCF A的做对比。5.为什么分类算法要用SE和ECA两个注意力机制配合。6.平时代码是自己写的吗。
2023-09-14 09:55:40
100
原创 AUC、F1、PR、Precision、Recall等等计算
Precision体现了模型对负样本的区分能力，Precision越高，模型对负样本的区分能力越强；Recall体现了模型对正样本的识别能力，Recall越高，模型对正样本的识别能力越强。F1 score是两者的综合，F1 score越高，说明模型越稳健。纵坐标是precision，横坐标哦是recall，精准率和召回率是相互制约的，如果想要精准率提高，召回率则会下降，如果要召回率提高，精准率则会下降，我们需要找到二者之间的一个平衡。FPR是横坐标，TPR是纵坐标。AUC就是ROC曲线下方面积。
2023-09-11 14:18:41
357
原创 PaddelOCR网络主体结构
文本检测部分：我们使用Differentiable Binarization (DB) (Real-Time Scene Text Detection with Differentiable Binarization.) 作为基于简单分割网络的文本检测器。DB的简单后处理使其非常高效。为了进一步提高其有效性和效率，使用了以下六种策略：轻骨干、轻头、删除SE模块、余弦学习率衰减、学习率预热和FPGM剪枝。最终，文本检测器的模型大小减小到1.4M方向分类器：由于检测框由四个点组成，很容易通过几何变换来实现。
2023-09-11 11:54:02
420
1
原创 长银58面试总结（听别人说的）
损失函数在训练过程中起着重要的作用，它是优化算法的指导，帮助模型逐步调整权重和参数，使得模型的预测逐渐接近真实标签。它鼓励模型在正确类别上的预测概率尽量接近1，而在错误类别上的预测概率尽量接近0，从而推动模型更加自信和准确地进行分类。这意味着，当模型对某个类别的预测概率远离实际标签时，损失函数的值会显著增加，从而强制模型对错误的预测进行纠正。一些激活函数（如Sigmoid和Tanh）的输出范围在0到1或者-1到1之间，有助于控制输出的幅度，从而对输入数据进行归一化和约束。
2023-08-30 17:07:00
125
原创 OCR end to end
3.deepsolo为代表的利用transformer做编码和解码直接同时预测和识别的方法，这里利用了贝塞尔曲线做点的预测，文章中说这些点的顺序就是阅读的顺序（不知道他这里怎么做到的），然后这些点的坐标可以变成位置信息，最后输入到一个transformer的解码器，最后用四个检测头分别做检测和识别，在实例分类中用线性投影做二元分类，分文本或背景。FOTS和PAN++的实际区别就是PAN++在提取之前做了一个特征提取优化，并且把ROI做成了mask的形式，所以PAN++可以识别弯曲的文本。
2023-08-24 12:34:57
104
1
原创 pyqt5改写wheelEvent实现ctrl＋鼠标滑轮预览缩放图片，持续优化中！！！附上纯手工最全中文注释
【代码】pyqt5改写wheelEvent实现ctrl＋鼠标滑轮预览缩放图片，持续优化中！！！附上纯手工最全中文注释。
2023-08-10 17:13:54
632
3
原创 Mindspore导出onnx并借助ATC工具转OM模型
二、利用ATC工具将onnx转成om模型，这里我是在200dk A2开发板上直接转的，此开发板是自带atc工具的，转om指令如下：这里需要注意的是用netron打开onnx模型看下，输入端写的啥，写的x就写x：写的image就把x改成image，version那里就对应自己的华为开发板是啥，可以在开发板里面输入 npu-smi info 查看卡的类型，Ascend301B的卡就是我这个指令。注意：开发板需要先分区资源，不然运行不出来，开发板教程参考：这里只需要配开发板环境和创建分区，里面不用装conda。
2023-07-18 17:39:23
1599
2
原创 Unet多类别分割
然后是训练脚本，训练脚本除了正常的环境之外，再额外安装segmentation_models_pytorch和pytorch_toolbelt两个包就行，train.py，n_classes设置自己的类别数，比如我的是0，1，2，3我就设置4。首先是制作数据集，也就是创建一个data.py。
2023-07-11 17:24:12
904
1
原创 新合生物算法岗（实习）面试
10、什么是梯度消失？梯度消失在不同隐藏层有什么表现？梯度消失是怎么影响神经网络的。4、分割损失函数可以怎么改进，如何看待dice损失和交叉熵损失。7、u-net的结构是怎么样的，如何做下采样，如何上采样。2、空洞卷积背后的计算方式，是如何扩大感受野的。3、组卷积计算原理，组卷积参数是普通卷积的多少。1、残差网络的效果，搞很多残差网络有用吗？5、数据增强的好处，数据不平衡的缺点。9、yolo的结构是怎么样的。8、反卷积的优点缺点有哪些。6、三维卷积的底层逻辑。
2023-07-05 20:31:34
48
原创 华大智造算法岗（实习）一面
5、如何评判图像增强的方式是有效的？哪一种图像增强方式认为最好。2、CT格式的特点，形式，CT的dicom文件怎么做配准？3、如何平衡局部特征提取和全局损失的问题？（还有两个问题忘了是啥了。6、图像分割的常用指标有哪些？1.ECA的实现过程。
2023-07-05 20:27:26
61
原创 目标检测coco voc yolo格式转换和划分数据集
上述两步可能存在一个问题，划分后的数据id是从0开始算的，有能力的可以自己把代码改成按1换算的，如果不会改可以参考以下方式：1.把VOC转成yolo格式并划分数据集。2.第一步转出来的格式会有一个train文件和一个val文件，里面都是标签txt文件，在分别将这两个标签文件转成json的就可以了。一、voc转yolo并划分数据集，这里文件形式最好如下图所示排列，就可以不用改代码了，把代码和VOCdevkit放同一级。VOC标签就是xml格式，coco就是json格式，yolo就是txt格式。
2023-07-05 19:53:40
377
原创 威泰芯一面
4.应该说下减枝操作过程，会带来精度损失，每个消融实验数据提升，主要是AP,RECALL提升，消融实验的三个模块，一个bckbone一个densnet一个损失函数改进，提升差不多7-8个点，减枝再减一点。2.航空发动机做了哪些改进，backbone部分怎么改的，改进之后提升了多少？（recall提升3%，这里应该回答下航空发动机的难点，数据缺少，需要自己标注，mindspore不适配等问题）6.说一下分割这块任务做了哪些改进（消融实验的数据，每个模块增加了多少点）（我应该把数据增强说进去的，增强了多少）
2023-06-16 15:47:47
53
1
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