wobenxiaoyao_的博客

原创 遥感图像滑坡语义分割

原创 遥感建筑物变化检测 毕业设计

项目包括完整的数据集、工程文件、实验结果以及评估模型。可远程配置实验环境，确保项目完美运行。可根据需求改进项目内容，定制化项目。QQ联系1795610356。

原创 快毕业了 近期一些感悟。。。

这就是帽子的价值，同样的技术问题，交给同一批人去做，做出来的效果一样，只是对接的人帽子高低不同，项目的价值就变了。上次有一个人找我，让我写一个脚本，我问写什么，他说随便，我：？今天突然感觉，现在的我很像课题组里大部分导师在甲方面前吹嘘团队的技术，实际上很多技术都属于一知半解，为了把项目接下来，不惜在非技术人员前面大肆吹鼓，把甲方忽悠的云里雾里，稀里糊涂也就把项目接下来了。4.一直想开发自己的游戏服务器，作为传奇的骨灰级玩家，想做一次gm，拥有自己的私服，维护好一个绿色、公平的情怀服。

原创 今天遇到的两个折磨人的问题，记录一下吧

1.部署Springboot后端jar包时，手残把linux系统etc目录下的所有文件全赋了777权限，即sudo chmod 777 -R /etc这辈子也不会忘记这么撒比的操作，后果就是etc目录下的sudoer设置超管的文件被赋了最高权限。操。这意味着任何人都可以设置超管名单，linux的保护机制生效，使得sudo命令无效。其他的一些文件也因为权限错误出了问题，导致无法使用ssh远程连接。幸好师兄拷贝了其他服务器的正常权限记录文件，覆盖了当前的777权限。2. 利用maven进行

原创 【若依】登录状态已过期，您可以继续留在该页面，或者重新登录

【若依】登录状态已过期，您可以继续留在该页面，或者重新登录

原创 PaddleX部署推理模型和GUI界面测试结果不一致的解决方法

PaddleX部署推理模型和GUI界面测试结果不一致的解决方法

原创 二分查找方法边界选取问题

二分法边界问题

原创 Web端Docker环境下的作业提交方法

1 在浏览器中输入ip 登录进入主界面2 点击调度3 点击实时作业 新建作业4 设置作业名 队列选择ALL 打开交互作业5 设置应用类型 点击容器环境 Docker6 选择镜像7 设置GPU数量8 提交作业9 点击实时作业 你的作业左侧的黑色图标 > 新窗口 >bash10 运行程序 以python程序为例python /home/panyutong/container/t...

原创 天池竞赛-地表建筑物识别 语义分割

train_mask = pd.read_csv('../dataset/train_mask.csv/train_mask.csv', sep='\t', names=['name', 'mask'])# 读取第一张图，并将对于的rle解码为mask矩阵img = cv2.imread('../dataset/train/' + train_mask['name'].iloc[0]) # name列的第0行mask = rle_decode(train_mask['mask'].iloc[0...

原创 pytorch框架 手写CIFAR10 model

# 手写CIFAR10 model 结构# stride = 1 padding = 2import torchfrom torch import nnfrom torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequentialfrom torch.utils.tensorboard import SummaryWriterclass Kert(nn.Module): def __init__(self): .

原创 拉格朗日乘数法

01 基本概念在数学最优问题中，拉格朗日乘数法是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。02 推导过程求的最小值，并且由题目得出拉格朗日函数：令函数梯度值为0:展开上式：参考资料01“拉格朗日对偶问题”如何直观理解？“KKT条件” “Slater条件” “凸优化”打包理解_哔哩哔哩_bilibili...

原创 02 机器学习-K近邻算法（KNN）

1.1 基本概念1.2 关键词1.3 公式推导1.4算法优点与缺点1.5 案例分析1.5.1 sklearn调包案例运行此项目前确保安装1.pyhon2.numpy3.scipyimport numpy as np from sklearn import datasets #获取数据from sklearn.model_selection import train_test_split #.

原创 01 机器学习-支持向量机（SVM）

1.1 基本概念支持向量机（Support vector machines, SVM）是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM 的目的就是想要画出一条线，以 “最好地” 区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。1.2 关键词线性可分：我们把实例的特征向量映射到n维空间中的样本点，如果以二维平面为例，利用一条直线可以将样本点分为两类，我们称这个样本线性可分。决策分界线：将两类样本点分开的线。超平面：把二维平面推广到n维空间，决策超1.2