2019年06月_小宋是呢

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

转载『深度应用』人脸识别最新进展及发展方向

人脸识别最新进展及发展方向▌一、人脸识别背景介绍简单来讲，人脸识别这个问题，就是给定两个人脸，然后判定他们是不是同一个人，这是它最原始的定义。它有很多应用场景，比如银行柜台、海关、手机解锁、酒店入住、网吧认证，会查身份证跟你是不是同一个人。这个应用的主要特点是，在大多数场景下都需要你先提供一个证件，然后跟自己的人脸做比对。手机解锁可能是个例外，但也要求你提前注册一张人脸，然后再...

2019-06-27 15:48:50 4560

原创『Python动手学』PyQt5入门教程

PyQt5相关PyQt5是一套来自Digia的Qt5应用框架和Python的粘合剂。支持Python2.x和Python3.x版本。本教程使用Pyhton 3。Qt库是最强大的GUI支持库的一种。PyQt5的官方主页是www.riverbankcomputing.co.uk/news。是Riverbank Computing开发了PyQt5。PyQt5以一套Python模块的形式来实现功能...

2019-06-26 11:57:37 34381 7

原创『开发技巧』Python音频处理·PyAudio上手教程（录入与播放声音）

『开发技巧』Python音频处理·PyAudio上手教程（录入与播放声音）当需要使用Python处理音频数据时，使用python读取与播放声音必不可少，下面介绍一个好用的处理音频PyAudio工具包。PyAudio是Python开源工具包，由名思义，是提供对语音操作的工具包。提供录音播放处理等功能，可以视作语音领域的OpenCv。1.简介PyAudio为跨...

2019-06-26 10:01:21 7405

原创『深度应用』一文搞懂深度学习人脸识别模型开发流程

『深度应用』深度学习人脸识别模型开发与应用流程综述0. 概念简介度量学习（Metric Learning），也称距离度量学习(Distance Metric Learning，DML) 属于机器学习的一种。其本质就是相似度的学习，也可以认为距离学习。因为在一定条件下，相似度和距离可以相互转换。比如在空间坐标的两条向量，既可以用余弦相似度的大小，也可以使用欧式距离的远近来衡量相似程...

2019-06-20 19:39:23 1625

原创『深度概念』度量学习中损失函数的学习与深入理解

『深度概念』度量学习中损失函数的学习与深入理解0. 概念简介度量学习（Metric Learning），也称距离度量学习(Distance Metric Learning，DML) 属于机器学习的一种。其本质就是相似度的学习，也可以认为距离学习。因为在一定条件下，相似度和距离可以相互转换。比如在空间坐标的两条向量，既可以用余弦相似度的大小，也可以使用欧式距离的远近来衡量相似程度。...

2019-06-20 16:49:42 4679 3

翻译 [深度应用]·Kaggle人类蛋白质图谱图像分类第一名解决方案

[深度应用]·Kaggle人类蛋白质图谱图像分类第一名解决方案来自CNN分类器和度量学习模型，第一名解决方案主题5个月前在人类蛋白质图谱图像分类编译：小宋是呢祝贺所有获奖者，并感谢主持人和kaggle举办了这样一场有趣的比赛。我很抱歉迟到，我最近几天努力准备它，试图验证我的解决方案，并确保它的可重复性，稳定性，高效性和解释性。概述挑战：极度不平衡，难以训练和预...

2019-06-05 15:16:25 2449

原创 [PyTorch填坑之旅]·from torch._C import * ImportError: DLL load failed解决方法

[PyTorch填坑之旅]·from torch._C import * ImportError: DLL load failed解决方法1、问题概述这是笔者在windows10平台安装PyTorch1.10时遇到的问题。笔者使用conda安装PyTorch1.10 gpu版本指令如是：conda install pytorch torchvision cudatoolki...

2019-06-03 17:06:04 10549 3

原创 [开发技巧]·深度学习中数据不均衡的处理方法

[开发技巧]·深度学习中数据不均衡的处理方法0、问题介绍类别不均衡是指在分类学习算法中，不同类别样本的比例相差悬殊，它会对算法的学习过程造成重大的干扰。比如在一个二分类的问题上，有1000个样本，其中5个正样本，995个负样本，在这种情况下，算法只需将所有的样本预测为负样本，那么它的精度也可以达到99.5%，虽然结果的精度很高，但它依然没有价值，因为这样的学习算法不能预测出正样本。...

2019-06-02 21:11:15 2634

原创 [知乎作答]·神经网络对于输入的维度不一致的处理

[知乎作答]·神经网络对于输入的维度不一致的处理本文内容选自笔者在知乎上的一个作答，总结下来作为神经网络对于输入的维度不一致的处理教程。。1.问题描述神经网络中，如果每次输入的维度不一致应该怎么处理？神经网络中，如果每次输入的维度不一致应该怎么处理？假设一队人，有时候这队人有三个（3个输入神经元），有时候这堆人有四个（四个输入）。2.笔者作答由...

2019-06-02 14:54:12 15446 5

pytorch训练cifar100测试单GPU效率代码

pytorch训练cifar100测试单GPU效率代码，用于测试GPU效率，基于开源https://github.com/weiaicunzai/pytorch-cifar100

2020-08-25

cifar-100-python.zip

cifar-100-python.tar.gz的下载资源，解决通过官方网站https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz下载太慢问题。

2020-08-25

ecg_1000例常规心电图

下载完整的训练集和测试集，共1000例常规心电图，其中训练集中包含600例，测试集中共400例。该数据是从多个公开数据集中获取。

2020-08-10

首届中国心电智能大赛初赛样例代码

各参赛队伍需要在初赛正式结束之前，在下方提交代码文件、模型文件（如有）和在测试集数据上的预测结果。大赛组委会通过比较预测结果与金标准来计算各支参赛队伍的初赛成绩。为了保证初赛结果的公平公正，我们将检查各参赛队伍的算法代码，并在测试集上进行结果验证。为了快速完成测试，各参赛队伍需要参考样例代码，布局需和样例代码保持一致，且必须包含如下各个文件：

2019-04-02

PTB文本数据集

PTB(Penn Treebank Dataset)文本数据集是语言模型学习中目前最广泛使用的数据集。

2019-03-31

微软Maluuba英语对话数据集

Maluuba让两个人在聊天室中对话并收集了这些数据。一个人扮演用户，另一个人充当计算机。用户试图查找特价机票，另一个充当聊天机器人的人使用数据库检索信息。交互只包含文本（没有口语交互），研究人员有意识地选择了这个方法。大部分人都喜欢打字，而不是说话，那也就是说，这份数据集就远离了质量不高的语音识别和背景噪声。

2019-03-30

康奈尔大学的电影对白语料库Cornell Movie-Dialogs Corpus

2019-03-30

豆瓣影评数据集

豆瓣5万条影评原始数据集，机器学习，nlp，深度学习的宝宝赶快看过来，看过来哈。数据集格式： title，star，comment，label是对应电影名称，评论星级（1-5星），评论内容，差评好评（星级大于3为好评）

2019-02-21

IMDB影评数据集

IMDB电影数据集train含有25000个电影评论，分为正反两类。数据与标签进行了处理保存到了一个CSV文件中,影评数据datas["x"]，标签为datas["y"]。

2019-02-20

目标检测数据集（皮卡丘）数据集

我们首先使用一个开源的皮卡丘3D模型生成了1000张不同角度和大小的皮卡丘图像。然后我们收集了一系列背景图像，并在每张图的随机位置放置一张随机的皮卡丘图像。

2019-01-17

MXNet fashion-mnist数据集

针对于MXNet框架 fashion-mnist数据集 mnist_train = gl.data.vision.FashionMNIST(root="fashion-mnist/",train=True) mnist_test = gl.data.vision.FashionMNIST(root="fashion-mnist/",train=False)

2019-01-15

动⼿学深度学习中文版

《动手学深度学习》面向中文读者的能运行、可讨论的深度学习教科书

2019-01-07

动⼿学深度学习

《动手学深度学习》面向中文读者的能运行、可讨论的深度学习教科书

2019-01-04

Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分，28x28的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

2018-12-22

PyTorch 模型训练实用教程

本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函数，并且对 PyTorch

2018-12-21

1万张数字验证码数据集

1万张数字验证码数据集，用于深度学习里面CNN网络识别训练

2018-12-12

word2vec text8数据集

深度学习中word2vector测试语料text8，Word2Vec数据集。TensorFlow实战

2018-12-12

TensorFlow内核解析

这是一本剖析 TensorFlow 内核工作原理的书籍，并非讲述如何使用TensorFlow 构建机器学习模型，也不会讲述应用 TensorFlow 的最佳实践。本书将通过剖析 TensorFlow 源代码的方式，揭示 TensorFlow 的系统架构、领域模型、工作原理、及其实现模式等相关内容，以便揭示内在的知识。

2018-12-08

吴恩达 Programming Assignments of Deep Learning Specialization (5 courses)

2018-11-24

深度学习入门之Pytorch

深度学习如今已经成为科技领域最炙手可热的技术，在本书中，我们将帮助你入门深度学习。本书将从机器学习和深度学习的基础理论入手，从零开始学习 PyTorch，了解 PyTorch 基础，以及如何用 PyTorch 框架搭建模型。通过阅读本书，你将学到机器学习中的线性回归和 Logistic 回归、深度学习的优化方法、多层全连接神经网络、卷积神经网络、循环神经网络，以及生成对抗网络，最后通过实战了解深度学习前沿的研究成果，以及 PyTorch 在实际项目中的应用。本书将理论和代码相结合，帮助读者更好地入门深度学习，适合任何对深度学习感兴趣的人阅读。

2018-11-24

2111.01690.pdf

端到端ASR综述：《Recent Advances in End-to-End Automatic Speech Recognition》

2021-11-08

7000个现代汉语通用字表txt文件

已经处理完成，每行一个字，可以直接代码读取使用

2021-05-07

CCPD2021.zip

个人整理CCPD黄色车牌数据集300条，格式于CCPD相同，可以直接使用格式介绍：https://github.com/xiaosongshine/CCPD_Plus/blob/main/README.md

2021-04-14

VSCode苹果M1芯片正式版

2021-03-15

labelImg.zip

我们知道，图片标注主要是用来创建自己的数据集，方便进行深度学习训练。本篇博客将推荐一款十分好用的图片标注工具LabelImg，重点介绍其安装以及使用的过程。如果想简便，请直接下载打包版本

2020-05-22

labelme.exe文件

Labelme 是一个图形界面的图像标注软件。其的设计灵感来自于 http://labelme.csail.mit.edu/ 。它是用 Python 语言编写的，图形界面使用的是 Qt（PyQt）标注工具labelme在windows上的可执行文件exe，可以直接在windows打开使用

2020-05-22

2000+个多标签心电图数据

2000+个医疗心电样本。每个样本有8个导联，分别是I，II，V1，V2，V3，V4，V5和V6。 III=II-I aVR=-(I+II)/2 aVL=I-II/2 aVF=II-I/2 每个样本采样频率为500 HZ，长度为10秒，单位电压为4.88微伏（microvolts）。

2019-12-16

搜狗最新已经去重200w词库

包括200W左右的最新词，把这个词库作为搜索引擎分词的标准。词库包括200W左右的最新词，把这个词库作为搜索引擎分词的标准。

2019-11-04

resnet18-5c106cde.pth.zip

cp /Users/xshine/Downloads/resnet18-5c106cde.pth /Users/xshine/.cache/torch/checkpoints/resnet18-5c106cde.pth

2019-11-02

FastAI mnist_sample.tgz

FastAI mnist_sample.tgz cd /Users/xshine/.fastai/data cp * . tar -zxvf mnist_sample.tgz

2019-11-02

Market-1501-v15.09.152.zip

Market-1501 数据集在清华大学校园中采集，夏天拍摄，在 2015 年构建并公开。它包括由6个摄像头（其中5个高清摄像头和1个低清摄像头）拍摄到的 1501 个行人、32668 个检测到的行人矩形框。每个行人至少由2个摄像头捕获到，并且在一个摄像头中可能具有多张图像。训练集有 751 人，包含 12,936 张图像，平均每个人有 17.2 张训练数据；测试集有 750 人，包含 19,732 张图像，平均每个人有 26.3 张测试数据。介绍链接：https://blog.csdn.net/ctwy291314/article/details/83544088

2019-10-25

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人