2023年05月_夕述_CSDN博客

夕述

码龄4年

29,160

总访问量
21

原创
987

粉丝
129

关注

IP 属地：辽宁省

加入CSDN时间： 2021-10-16

查看详细资料

个人成就

获得39次点赞
内容获得1次评论
获得154次收藏
代码片获得322次分享
博客总排名397,661名

TA关注的专栏 0

TA关注的收藏夹 0

TA关注的社区 4

TA参与的活动 0

兴趣领域设置

人工智能

深度学习

创作活动更多

王者杯·14天创作挑战营·第2期

这是一个以写作博客为目的的创作活动，旨在鼓励码龄大于4年的博主们挖掘自己的创作潜能，展现自己的写作才华。如果你是一位热爱写作的、想要展现自己创作才华的小伙伴，那么，快来参加吧！我们一起发掘写作的魅力，书写出属于我们的故事。注： 1、参赛者可以进入活动群进行交流、分享创作心得，互相鼓励与支持（开卷），答疑及活动群请见https://bbs.csdn.net/topics/619735097 2、文章质量分查询：https://www.csdn.net/qc 我们诚挚邀请你们参加为期14天的创作挑战赛！

66人参与去参加

更多

torch.bmm()

是PyTorch中的一个函数，用于执行批量矩阵乘法（Batch Matrix Multiplication）的操作。它接受三个张量作为输入，并返回批量矩阵乘法的结果。函数在许多情况下非常有用，特别是当需要同时处理多个矩阵，并进行矩阵乘法操作时，可以利用该函数的批量处理功能。的最后两个维度进行矩阵乘法操作。的最后两个维度执行矩阵乘法，并保持其他维度不变。，其中第一个维度表示批量大小，第二个维度表示。进行批量矩阵乘法的操作。它们的形状适合执行批量矩阵乘法操作。中的矩阵数量，第三个维度表示。

发布博客 2023.05.09 ·

pytorch中的广播机制

通过广播机制，我们可以方便地对不同形状的张量进行逐元素的操作，而不需要显式地扩展维度。这种方式能够提高代码的简洁性和可读性。当两个张量的形状不完全匹配时，PyTorch中的广播机制可以自动地将它们扩展到相同的形状，以便进行元素级别的操作，如求和。形状匹配，可以进行元素级别的求和。最终的结果保存在张量。但是，由于PyTorch的广播机制，它会自动地将。它们的形状不匹配，无法直接进行相加。在这个例子中，我们创建了一个形状为。的形状，使得它的每一行都与。的每个元素都是对应位置的。

发布博客 2023.05.09 ·

[opencv]中一些函数的用法

Otsu’s 二值化是一种自适应的图像二值化方法，它的核心思想是通过寻找最佳的阈值，将图像分割成前景和背景两个区域，使得分割后的图像的类间方差最大化，从而达到最佳的二值化效果。该函数的实现过程是，将卷积核作为一个滑动窗口，在图像上从左上角开始遍历，每次取窗口内的像素和卷积核对应位置的权值进行乘积累加，将结果写入输出图像中对应位置的像素值。仿射变换代表的是两幅图之间的映射关系，仿射变换矩阵为2x3的矩阵，如下图中的矩阵M，其中的B起着平移的作用，而A中的对角线决定缩放，反对角线决定旋转或错切。

发布博客 2023.05.03 ·

parse_known_args()

方法，用于解析命令行参数并返回一个包含解析结果的命名空间对象。但是，如果在解析命令行参数时出现错误，该方法会抛出异常，导致程序无法继续执行。在添加参数时，可以指定参数的名称、类型、默认值、帮助信息等。当我们需要在 Python 程序中从命令行中获取参数时，可以使用标准库中的。类是核心类，用于定义程序需要的参数，并在程序中解析这些参数。参数是可选的，不需要传入值，只需要在命令行中使用。方法类似，但是不会抛出异常，而是忽略未知的参数。参数是必需的，需要传入一个字符串类型的值；对象来获取命令行参数的值，例如。

发布博客 2023.04.29 ·

scipy.stats.spearmanr

Spearman 相关系数是一种用于度量两个变量的非线性相关性的方法，它是基于变量的秩（而非实际值）来计算的。Spearman 相关系数的值介于 -1 和 1 之间，如果相关系数为正，则说明两个变量是正相关的，如果相关系数为负，则说明两个变量是负相关的，如果相关系数接近于 0，则说明两个变量之间几乎没有相关性。Spearman 相关系数是一种非参数的相关系数，用于度量两个变量的单调关系，不要求变量满足正态分布和线性关系。是计算得到的 Spearman 相关系数，分别是两个需要计算相关性的变量，

发布博客 2023.04.29 ·

【pytorch】torch.stack()/F.interpolate/unsqueeze_(0)/squeeze()

函数会将一个元素为张量的序列（列表、元组等）沿着新的维度进行拼接，生成一个新的张量。例如，如果有一个包含 n 个 k维张量的序列，那么它们拼接后的张量就会是 (n, k) 维的。在进行插值操作时，F.interpolate()函数会自动根据目标大小和原始大小计算出插值的比例，并对输入张量进行插值操作。要对输入张量进行的插值操作必须在height和width两个维度上进行，即必须在后两个维度上指定插值后的目标大小。是一个PyTorch张量操作，用于从张量中删除尺寸为1的维度，并返回新的张量。

发布博客 2023.04.29 ·

cv2.cvtColor()/cv2.VideoCapture/cap.read()

srccodedstsrcdstCncode例如，将一张BGR格式的图片转换为RGB这里，是 OpenCV 库中读取图像的函数。默认情况下，它读取的图像格式为BGR。函数用于将BGR格式的图像转换为RGB格式。cv2.VideoCapture读出的帧格式默认是BGR格式，即每个像素由蓝色、绿色和红色三个分量组成。

发布博客 2023.04.29 ·

目标检测（RCNN，Fast R-CNN,Faster R-CNN）

目标检测（RCNN，Fast R-CNN,Faster R-CNN）

发布博客 2023.04.02 ·

循环神经网络

从左到右扫描序列数据,每个时间步共享参数我们首先从最基本的RNN Cell来更直观地了解一下RNN的原理但一般不使用RNN Cell,pytorch为我们提供了可以直接使用的nn.RNN 这里多了一个输入的值num_layers,什么是num_layers呢？这就需要引入深层神经网络。

发布博客 2023.03.30 ·

【深度学习】卷积神经网络CNN

重要属性：局部连接、权值共享、平移不变性局部连接：每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连，从而可显著降低网络参数量。权值共享：不同位置处的神经元共享同一组权重（滤波器），可进一步降低网络参数量平移不变性：滤波器可捕获与图像空间位置无关的区域特征三种基础组件•卷积层（Convolutional Layer）•激活层（Activation Layer）•池化层（ Pooling Layer ）

发布博客 2023.03.13 ·

【机器学习】绪论

1956年夏达特茅斯会议标志着人工智能这一学科的诞生。第一阶段：推理期1956-1960年代：逻辑推理主要成就: 自动定理证明系统 (例如，西蒙与纽厄尔的“Logic Theorist”系统)第二阶段：知识期1970s -1980s：知识工程主要成就: 专家系统 (例如，费根鲍姆等人的“DENDRAL”系统)第三阶段：学习期20世纪90年代-现在：机器学习。

发布博客 2023.02.14 ·

半监督学习

半监督学习

发布博客 2023.02.06 ·

【机器学习】降维与度量学习（KNN、PCA、KPCA、流形学习、度量学习）

降维与度量学习（KNN、PCA、KPCA、流形学习、度量学习）

发布博客 2023.02.06 ·

【机器学习】概率图模型（贝叶斯网、隐马尔可夫模型HMM）

隐马尔可夫模型、贝叶斯网

发布博客 2023.02.06 ·

【机器学习】贝叶斯分类器

最小错误率贝叶斯、最小风险贝叶斯、朴素贝叶斯分类器、半朴素贝叶斯分类器

发布博客 2023.02.06 ·

【机器学习】原型聚类（K-means、高斯混合聚类、学习向量量化LVQ）、密度聚类DBSCAN、层次聚类AGNES

原型聚类（K-means、高斯混合聚类、学习向量量化LVQ）、密度聚类DBSCAN、层次聚类AGNES

发布博客 2023.02.05 ·

【机器学习】集成学习

集成学习Boosting、Bagging算法，多样性，结合策略

发布博客 2023.02.05 ·

【机器学习】决策树（划分选择、算法流程、剪枝处理，连续值与缺失值处理）

划分选择（信息增益、增益率、基尼指数）、算法流程、剪枝处理（预剪枝、后剪枝），连续值与缺失值处理，多变量决策树

发布博客 2023.02.05 ·

【机器学习】支持向量机SVM

线性SVM，软间隔SVM，核函数与核方法，支持向量回归

发布博客 2023.02.04 ·

【机器学习】线性模型（线性回归、Logistic回归、LDA）

最小二乘法求线性回归、logistics回归、LDA、多分类问题

发布博客 2023.02.04 ·