- 博客(22)
- 资源 (12)
- 收藏
- 关注
RSS订阅转载 CodeBlocks常用操作快捷键
CodeBlocks常用操作快捷键编辑部分：Ctrl + A：全选Ctrl + C：复制Ctrl + X: 剪切Ctrl + V：粘贴Ctrl + Z：撤销（后退一步）Ctrl + S：保存Ctrl + Y / Ctrl + Shift + Z:重做（也就是前进一步）Ctrl+Shift+C：注释掉当前行或选中块Ctrl+Shift+X：解除注释（最新版的将其替换为截图功能）Tab：缩进当前行或选中块Shift+Tab：减少缩进按住Ctrl，滚动鼠标滚轮，
2020-07-27 13:27:53
1085
转载 19种损失函数汇总
19种损失函数目录1. L1范数损失 L1Loss2 均方误差损失 MSELoss3 交叉熵损失 CrossEntropyLoss4 KL 散度损失 KLDivLoss5 二进制交叉熵损失 BCELoss6 BCEWithLogitsLoss7 MarginRankingLoss8 HingeEmbeddingLoss9 多标签分类损失 MultiLabelMarginLoss10 平滑版L1损失 SmoothL1Loss11. 2分类的logistic损失
2020-07-26 12:26:19
963
转载 目标检测常用损失函数-类别损失+位置损失
目录类别损失1. 交叉熵损失 Cross Entropy Loss2. Focal Loss 改进的交叉熵损失函数位置损失1. L1 Loss平均绝对误差（Mean Absolute Error, MAE）2. L2 Loss均方误差损失（Mean Square Error, MSE）3. Smooth L1 Loss4. IoU Loss5. GIoU Loss6. DIoU Loss. CIoU Loss一般的目标检测模型包含两类损失函数，一...
2020-07-26 11:45:52
14754
转载 目标检测最全综述
前言图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车， 还要在图片中标记出它的位置， 用边框或红色方框把汽车圈起来， 这就是目标检测问题。 其中“定位”的意思是判断汽车在图片中的具体位置。近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它
2020-07-24 00:54:51
7330
转载 千奇百怪的 卷积 方式
目前仅列举了一些比较著名且实用的卷积操作，对于没提到的，希望大家指出与补充1. 原始版本最早的卷积方式还没有任何骚套路，那就也没什么好说的了。见下图，原始的 conv 操作可以看做一个 2D 版本的无隐层神经网络。附上一个卷积详细流程：【TensorFlow】tf.nn.conv2d 是怎样实现卷积的？ - CSDN 博客代表模型：LeNet：最早使用 stack 单卷积 + 单池化结构的方式，卷积层来做特征提取，池化来做空间下采样AlexNet：后来发现单卷...
2020-07-23 12:30:24
202
转载 常见的机器学习算法
诞生于1956年的人工智能，由于受到智能算法、计算速度、存储水平等因素的影响，在六十多年的发展过程中经历了多次高潮和低谷。最近几年，得益于数据量的上涨、运算力的提升，特别是机器学习新算法的出现，人工智能迎来了大爆发的时代。提到机器学习这个词时，有些人首先想到的可能是科幻电影里的机器人。事实上，机器学习是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多门学科。专门研究计算机如何模拟或实现人类的学习行为，利用数据或以往的经验，以此优化计算机程序的性能标准。根据学习任务的不同，我们可以.
2020-07-22 00:15:43
311
原创 BN(批量归一化层Batch Normalization)的作用与原理
1.简明https://www.jianshu.com/p/fcc056c1c2002.详细https://blog.csdn.net/hjimce/article/details/50866313
2020-07-19 19:30:36
1585
原创 去除CSDN编辑器中图片的水印
这种方法相对上面的来说相对简单，因为CSDN上的编辑器和简书上的编辑器一样支持截屏粘贴图片到文章，然后我们只需要点击我们文章上的图片，操作如下1.比如我要去除如下所示的图片水印2.首先我们鼠标单击图片，接下来出现如下所示界面3.操作：把红色框中后 “？和后面的” 那一大部分去掉即可，然后水印就去除了写到这里我们去除CSDN上面的水印就大功告成了...
2020-07-19 19:10:30
454
原创 神经网络权重的初始化
当你训练神经网络时，权重随机初始化是很重要的。对于逻辑回归，把权重初始化为 0，当然也是可以的。但是对于一个神经网络，如果你把权重或者参数都初始化为 0，那么梯度下降将不会起作用。1.权重初始化的重要性神经网络的训练过程中的参数学习时基于梯度下降算法进行优化的。梯度下降法需要在开始训练时给每个参数赋予一个初始值。这个初始值的选取十分重要。在神经网络的训练中如果将权重全部初始化为0，则第一遍前向传播过程中，所有隐藏层神经元的激活函数值都相同，导致深层神经元可有可无，这一现象称为对称权重现象。.
2020-07-19 19:06:38
2972
转载 如何解决机器学习中 数据不平衡 的问题
这几年来，机器学习和数据挖掘非常火热，它们逐渐为世界带来实际价值。与此同时，越来越多的机器学习算法从学术界走向工业界，而在这个过程中会有很多困难。数据不平衡问题虽然不是最难的，但绝对是最重要的问题之一。目录一、数据不平衡以二分类为例：二、如何解决1. 采样缺点：上采样下采样2. 数据合成SMOTE：利用小众样本在特征空间的相似性来生成新样本Borderline-SMOTEADASYN3.加权4. 一分类三、如何选择一、数据不平衡在学术研.
2020-07-19 12:37:45
960
原创 C++11新特性
什么是C++11C++11是曾经被叫做C++0x，是对目前C++语言的扩展和修正，C++11不仅包含核心语言的新机能，而且扩展了C++的标准程序库（STL），并入了大部分的C++ Technical Report 1（TR1）程序库(数学的特殊函数除外)。C++11包括大量的新特性：包括lambda表达式，类型推导关键字auto、decltype，和模板的大量改进。本文将对C++11的以上新特性进行简单的讲解，以便大家能够快速了解到C++11对C++的易用性方面起到的巨大作用。C++11
2020-07-17 00:31:17
7785
1
转载 C++ STL 标准模板库 简介
在前面的章节中，我们已经学习了 C++ 模板的概念。C++ STL（标准模板库）是一套功能强大的 C++ 模板类，提供了通用的模板类和函数，这些模板类和函数可以实现多种流行和常用的算法和数据结构，如向量、链表、队列、栈。C++ 标准模板库的核心包括以下三个组件：组件 描述 容器（Containers） 容器是用来管理某一类对象的集合。C++ 提供了各种不同类型的容器，比如 deque、list、vector、map 等。 算法（Algorithms） 算法作用于容器。它们提
2020-07-17 00:08:54
238
原创 Python enumerate() 函数
描述enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。Python 2.3. 以上版本可用，2.6 添加 start 参数。语法以下是 enumerate() 方法的语法:enumerate(sequence, [start=0])参数sequence -- 一个序列、迭代器或其他支持迭代对象。 start -- 下标起始位置。返回值返回 enumerate(枚举) 对象
2020-07-13 23:52:44
128
转载 基于深度学习的图像超分辨率重建技术的研究
1超分辨率重建技术的研究背景与意义图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。但在实际上中，受采集设备与环境、网络传输介质与带宽、图像退化模型本身等诸多因素的约束，我们通常并不能直接得到具有边缘锐化、无成块模糊的理想高分辨率图像。提升图像分辨率的最直接的做法是对采集系统中的光学硬件进行改进，但这种做法.
2020-07-10 16:38:34
5946
3
原创 神经网络常见的几种最优化方法（梯度下降法，牛顿法，拟牛顿法，共轭梯度法等）
梯度：有时候也称之为斜度，也就是一个曲面沿着给定方向的倾斜程度。表示某一个函数在该点出的方向导数沿着该方向取得最大值，即函数在该点出沿着该方向（此梯度方向）变化最快，变化率最大。梯度下降法是最早最简单，也是最为常用的最优化方法。梯度下降法实现简单，当目标函数是凸函数时，梯度下降法的解是全局解。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向，所以也被称为是”最速下降法“。最速下降法越接近目标值.
2020-07-10 12:36:03
9100
2
转载 一文看懂各种神经网络优化算法：从梯度下降到Adam方法
在调整模型更新权重和偏差参数的方式时，你是否考虑过哪种优化算法能使模型产生更好且更快的效果？应该用梯度下降，随机梯度下降，还是Adam方法？这篇文章介绍了不同优化算法之间的主要区别，以及如何选择最佳的优化方法。什么是优化算法？优化算法的功能，是通过改善训练方式，来最小化(或最大化)损失函数E(x)。模型内部有些参数，是用来计算测试集中目标值Y的真实值和预测值的偏差程度的，基于这些参数，就形成了损失函数E(x)。比如说，权重(W)和偏差(b)就是这样的内部参数，一般用于计算输出值，在训练神经
2020-07-10 11:58:43
664
原创 编译性语言、解释性语言和脚本语言
计算机不能直接理解高级语言，只能直接理解机器语言，所以必须要把高级语言翻译成机器语言，计算机才能执行高级语言编写的程序。 翻译的方式有两种，一个是编译，一个是解释。两种方式只是翻译的时间不同。 编译型语言写的程序执行之前，需要一个专门的编译过程，把程序编译成为机器语言的文件，比如exe文件，以后要运行的话就不用重新翻译了，直接使用编译的结果就行了（exe文件），因为翻译只做了一次，运行时不需要翻译，所以编译型语言的程序执行效率高。 解释性语言的程序不需要...
2020-07-07 15:21:42
563
转载 目标检测之 IoU
IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数。但纵观 IoU 计算的介绍知识，都是直接给出代码，给出计算方法，没有人彻底地分析过其中的逻辑，故本人书写该篇博客来介绍下其中的逻辑。1. IoU的简介及原理解析IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。开始计算之前，我们首先进行分析下交集和并集到底应该怎么计算：我们首先
2020-07-06 10:50:26
272
原创 三、训练自己的yolo3模型
yolo3整体的文件夹构架如下：本文使用VOC格式进行训练。训练前将 标签文件(.xml) 放在 VOCdevkit 文件夹下的 VOC2007 文件夹下的 Annotation 中。训练前将图片文件放在 VOCdevkit 文件夹下的 VOC2007 文件夹下的 JPEGImages 中。一个图片文件 对应 一个标签文件：在训练前利用 voc2yolo3.py 文件生成对应的txt。再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的cla..
2020-07-05 16:17:49
444
原创 二、YOLOv3-训练部分
二、训练部分1、计算loss所需参数在计算loss的时候，实际上是y_pre和y_true之间的对比：y_pre 就是一幅图像经过网络之后的输出，内部含有三个特征层的内容；其需要解码才能够在图上作画y_true 就是一个真实图像中，它的每个真实框对应的(13,13)、(26,26)、(52,52)网格上的偏移位置、长宽与种类。其仍需要编码才能与y_pred的结构一致y_true 是最理想的y_pre 实际上y_pre和y_true内容的shape都是(batch_size,13,13,3,
2020-07-05 11:36:38
541
原创 poj 1363：火车合法的出栈次序——合法的出栈次序
#include <stdio.h>#include <stack>#include <queue>bool check_is_valid_order(std::queue<int> &order){ std::stack<int> S;//临时栈 int n = order.size();//获得测试队列，即出栈次序的长度 for (int i = 1; i <= n; i++){ S.push(i);//将1.
2020-07-04 11:57:59
328
inception_resnet_v2 预训练模型
2020-01-06
cudnn-9.0-windows10-x64-v7.3.1.20
2018-10-04
通过Qt界面控制步进电机的启停
2017-05-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人