- 博客(329)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 射频滤波器分析报告（声表面波滤波器/BAW/超声）
所谓射频芯片是指能将射频信号和数字信号进行转化的芯片，是通信的核心，决定了移动终端可以支持的通信模式、接收信号强度、通话稳定性、发射功率等重要指标，直接影响着用户体验。至今中国95%RF射频器件仍依靠进口。射频前端的设计和工艺复杂，有着相当高的生产门槛。从设计上来说，不同频段产品的种类繁多。switch，即开关，选择信号通路；LNA，即低噪声放大器，接收微弱信号；PA，即功率放大器，把手机发出的微弱信号放大发射出去；
2023-08-26 15:55:46
1884
原创 k8s与集群管理
默认情况下，Docker容器是没有资源限制的，它会尽可能地使用宿主机能够分配给它的资源。如果不对容器资源进行限制，容器之间就会相互影响，一些占用硬件资源较高的容器会吞噬掉所有的硬件资源，从而导致其它容器无硬件资源可用，发生停服状态。Docker提供了限制内存，CPU或磁盘IO的方法， 可以对容器所占用的硬件资源大小以及多少进行限制，我们在使用docker create创建一个容器或者docker run运行一个容器的时候就可以来对此容器的硬件资源做限制。
2023-07-18 21:42:34
1258
原创 图像配准（匹配）与变化检测
然而，像素级或物体级的变化检测方法不适用于土地利用变化分析。造成这种情况的主要原因可能是，场景中的物体，如植被生长和个别建筑的拆除/建造，不会直接影响土地使用类别，即它们在场景中的变化不会改变土地利用类别，例如，从住宅区到工业区。因此，在场景尺度上改进变化检测方法至关重要。SLCD最简单的方法，即后分类方法，将场景变化检测任务视为一个独立的分类，忽略时间相关性信息，从而遭受误差累积。换句话说，它几乎没有考虑多时间图像的时间相关性。
2023-04-23 15:27:11
3027
1
原创 晶体基本知识
但是，我们发现在使用三指数来表示六方晶胞的晶面时，晶体学上等价面的晶面指数不同。例如图1中的A（红）面和B（黄）面是一对等价面，但是使用三指数方式标定时，所得的晶面指数不相同，分别为（100）和（对于实际的三维晶体，选择三个不相平行的、能满足周期性的单位向量a，b，c，可将品体划分成一个个完全相同的平行六面体，它代表晶体结构的基本重复单位，叫晶胞。为了表示晶胞中所有原子的位置，用坐标（x，y，z）表达晶胞中原子的分布，该坐标被称为原子坐标（xys：因为原子坐标的取值范围总是小于1，所以又称为原子分数坐标。
2023-04-05 08:02:55
5088
原创 主动学习综述
基本思想基本概念主动学习（查询学习），是机器学习的一个子领域。主要的思想是：通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精确度。什么时候需要主动学习？项目是冷启动的，在冷启动初期，标签数据是非常稀少的，而且打标成本也相对比较高；项目虽然不是冷启动，但是很难通过专家构建多元线性分类器，换句话说就是很难通过写出一条条实值规则的逻辑组合。这在实际工作中也是非常常见的，典型地表现会是安全运营人员会发现自己的专家经验“很难准确定义”，往往是通过长时间
2022-05-11 08:01:00
692
原创 微电子基本知识---绝缘相关性质（电阻率，介电常数，漏电流，漏电流密度，击穿电压，击穿场强）
基本概念导体，半导体，绝缘体/电介质半导体、导体、绝缘体的区别是什么？绝缘体被击穿后，电阻率下降，转化为导体。电介质是能够被电极化的绝缘体。电介质的带电粒子是被原子、 分子的内力或分子间的力紧密束缚着， 因此这些粒子的电荷为束缚电荷。 在外电场作用下， 这些电荷也只能在微观范围内移动， 产生极化。电介质都是绝缘体，反过来，一切绝缘体都可以做电介质绝缘材料的介电性能系列知识绝缘材料的介电性能 （第一期）绝缘材料的介电性能 （第二期）绝缘材料的介电性能 （第三期）绝缘材料的介电性
2022-05-03 21:31:45
20007
原创 paddle-lite部署
编译安装paddlelitegithub源码地址官方教程：Linux x86 环境下编译适用于 Linux x86 的库—（但是，该教程的编译指令之中，没有加–with_python=ON，必须加上才会生成.whl文件）树莓派4b学习笔记六：以源码编译的方式安装Paddlelite编译时，加上 --with_python=ON, 即可生成.whl安装包./lite/tools/build_linux.sh ./lite/tools/build_linux.sh --with_python=ON
2022-04-19 10:20:30
5963
原创 fastapi 文件的操作/上传/下载/保存（uploadfile）
客户端上传文件到服务端并保存使用fastapi的uploadfile，不管客户端上传的是何种格式的文件(图片/视频/音频等)，都不需要解码操作。内在原因：通过uploadfile.file.read()获取的虽然是bytes，但已经包含了全部的格式信息。所以将bytes直接写入文件进行保存，就会在文件系统中看到正常的image/video等文件了。如下图所示：而且，即使保存成文件时，文件后缀与原文件不一致，也没有关系。如下图所示，客户端上传的文件为movie.mp4，在服务端保存成movie, mo
2022-04-01 21:03:19
14910
原创 docker 网络相关与坑
我们在使用docker run创建Docker容器时，可以用–network标志 选项指定容器的网络模式，Docker有以下4种网络模式：host模式：使用 --net=host 指定。none模式：使用 --net=none 指定。bridge模式：使用 --net=bridge 指定，默认设置。container模式：使用 --net=container:NAME_or_ID 指定。Docker 网络:host模式docker容器网络bridgeDocker Network—Bridge
2022-03-30 23:05:28
2570
原创 Pytorch分类模型转onnx以及onnx模型推理
Pytorch分类模型转onnx以及onnx模型推理将MobileNetV2的pytorch模型转换为ONNX模型,并用onnxruntime进行测试_cumtchw-程序员秘密Onnx模型推理（Python）,onnx,python
2022-03-28 19:05:02
5017
原创 pycharm+远程docker打造深度学习环境
PyCharm+Docker：打造最舒适的深度学习炼丹炉pycharm专业版连接远程docker容器pycharm连接docker容器
2022-03-28 07:45:10
160
原创 图像重构---从RGB重构高光谱
2021-ICCV-Semantic-embedded Unsupervised Spectral Reconstruction from Single RGB Images in the Wild— 源码2020-CVPR-Hierarchical Regression Network for Spectral Reconstruction from RGB Images— 源码2020-CVPR-Adaptive Weighted Attention Network with Camera Sp
2022-03-02 15:55:33
6234
原创 involution理解
最好的参考来自论文作者的知乎：CVPR 2021 | involution：超越convolution和self-attention的神经网络新算子其他餐卡：https://zhuanlan.zhihu.com/p/400402288https://zhuanlan.zhihu.com/p/356960359https://blog.csdn.net/P_LarT/article/details/115426891引言CNN的空间不变性 (spatial-agnostic)和通道特异性 (cha
2021-12-22 15:47:45
2245
1
原创 模型的鲁棒性和泛化性
模型的鲁棒性和泛化性鲁棒性：对于输入扰动或对抗样本的性能。加入小扰动，或进行数据增强。对于我们正常使用的模型，或者小数据集，需要进行数据增强，增强模型的鲁棒性，并且可以提升模型泛化能力，即在测试集上的性能。加入对抗样本训练。针对模型的安全，而找到对抗样本进行专门训练，提升模型在对抗样本的鲁棒性；但是会降低模型的泛化能力，在真实的测试集上性能下降。泛化性：训练集训练的模型在测试集上的性能；(xys更科学的说法：泛化性指模型经过训练后，应用到新数据并做出准确预测的能力。)不同数据集之间、不同任务
2021-12-17 09:11:37
5654
原创 航空图像/ UAV
UAV-Human: A Large Benchmark for Human Behavior Understanding with Unmanned Aerial VehiclesAVHuman 数据集，对无人机图像的人类行为进行理解解析，包含 67,428 个多模式视频序列和 119 个用于动作识别的目标，22,476 帧用于姿势估计，41,290 帧和 1,144个用于人员重识别的身份，以及 22,263 帧用于属性识别。它由一架飞行的无人机在三个月内的白天和夜晚在多个城市和农村地区收集的，因此涵
2021-09-16 16:41:27
441
原创 不平衡/长尾问题/重采样
Class-Balanced Loss Based on Effective Number of SamplesClass-Balanced Loss Based on Effective Number of Samples - 1 - 论文学习Class-Balanced Loss Based on Effective Number of Samples - 2 - 代码学习（源码：https://github.com/vandit15/Class-balanced-loss-pytorch）.
2021-08-14 13:44:36
191
原创 深度学习的不确定性（Uncertainty/confidence score）与校准(Calibration)
模型校准Calibration: 一个工业价值极大，学术界却鲜有研究的问题！（原论文：On Calibration of Modern Neural Networks，论文中有一些基本的校准方法，包括温度缩放Temperature Scaling）在大多情况下，我们只关心类别的预测 有多准，根本不 care 置信度是怎样的。然而，在一些实际应用场景下，置信度的度量也同样重要。例如 对于自动驾驶中的目标识别任务，车辆的前方出现了一个人，神经网络会将其识别成塑料袋，此时输出的置信度为50%（低于阈值）
2021-08-09 16:10:11
31234
4
原创 信息论知识（熵，KL散度，交叉熵，条件熵，互信息）
信息论知识：互信息、交叉熵、KL散度归一化互信息系数矩阵的python实现互信息的应用牛津大学|“不变信息聚类” ：满足你对无监督深度聚类的一点幻想，Invariant Information Clusteringrepresentation learning与clustering的结合(1)...
2021-06-24 10:34:31
278
原创 Gamma分布，Beta分布，多项式分布，Dirichlet狄利克雷分布
超详细理解Gamma分布，Beta分布，多项式分布，Dirichlet狄利克雷分布（狄利克雷分布的公式，期望）理解Gamma分布、Beta分布与Dirichlet分布什么是beta分布，狄利克雷分布（numpy怎么生成狄利克雷分布）概率分布 - torch.distributions（pytorch中生成狄利克雷分布：torch.distributions.dirichlet.Dirichlet）...
2021-06-21 15:01:39
1180
原创 动作识别
训练速度远超3D CNN，提速3倍！Facebook首发「时空版」Transformer近期必读的5篇顶会CVPR 2021【行为识别】相关论文和代码
2021-03-31 11:36:22
371
原创 自编码器/autoencoder
基本原理半小时理解变分自编码器（1、对变分自编码器为什么在隐空间要进行概率分布约束（正则化）进行了详细直观的阐述：保证隐空间的连续性和完整性，就能使生成空间具有连续性和可解释性。2、对VAE的损失函数设计进行了全面阐述：重构误差+隐空间的正则化项，并对正则化项进行了分解阐述）一文理解变分自编码器（VAE）（第一二节对自编码器、变分自编码器的原理的差异介绍非常直观，尤其是概率分布图和数据点之间的差别）变分自编码器介绍、推导及实现（有一张VAE的神经网络架构图，很直观）变分自编码器VA
2021-03-24 22:33:37
464
原创 pytorch、cudnn、cuda的安装（本地安装、清华镜像源安装）
conda+清华园镜像安装指定版本的cudnnconda本地安装Pytorch
2021-02-06 17:10:09
25243
1
原创 迁移学习
《小王爱迁移》系列文章汇总目录Deep Domain Adaptation论文集【数据挖掘顶会KDD2020】小样本学习116页ppt教程附视频讲解！清华龙明盛主页
2020-12-23 18:59:50
143
1
原创 git使用指南
使用Github托管代码 （较好的入门文章）git 切换远程分支Git 中的stash功能（切换分支时保存工作现场）git报错：src refspec master does not match any使用git checkout -b origin/命令报错is not a commit and a branch ‘dev_86984_newn’ cannot be created from it...
2020-12-23 11:00:53
138
原创 fastapi-依赖注入
如何用最简单的方式解释依赖注入？依赖注入是如何实现解耦的?FastApi学习-06fastapi（十六）-依赖关系fastapi教程-进阶九（Dependencies-1）什么是依赖注入依赖注入听起来好像很复杂，但是实际上炒鸡简单，一句话说就是：本来我接受各种参数来构造一个对象，现在只接受一个参数——已经实例化的对象。也就是说我对对象的『依赖』是注入进来的，而和它的构造方式解耦了。构造它这个『控制』操作也交给了第三方，也就是控制反转。不举抽象的什么造汽车或者小明玩儿手机的例子了。一个很实际的例
2020-12-23 10:56:02
1040
原创 Python中logging日志模块
Python中logging日志模块详解（精心整理版本）python Logging日志记录模块详解Loggers logger是暴露给代码进行日志操作的接口。需要注意的是: （1）logger不应该直接实例化，而应通过模块级函数logging.getLogger(name)创建。 （2）如果name是具有层级结构的命名方式，则logger之间也会有层级关系。如name为foo.bar，foo.bar.baz， foo.bam 的logger是foo的子孙，默认子logger日志会向父lo
2020-12-06 19:09:56
324
原创 Python中的可迭代对象：容器、迭代器与生成器
相互关系关系图让我们先看两张图，这张图展示了它们得从属关系这张图解释了他们之间的从属关系和转换关系定义（1）可迭代对象：其中实现了__iter__方法的对象就叫做可迭代对象。（ 严格来说，可迭代对象是任何实现了 iter() 方法或者实现了序列（Sequence）语义中的 getitem() 方法的任意自定义类对象。）（2）迭代器：既实现了__iter__，也实现了__next__()方法的对象叫做迭代器；（3）生成器：具有yield关键字的函数都是生成器；各种可迭代对象
2020-12-03 23:04:56
1154
原创 python web 服务器架构（django，flask，fastapi都可以用这个架构）
uwsgi，WSGI和uWSGI是什么，uWSGI和Nginx背景知识web服务器/http服务器Web服务器的主要功能是存储，处理和传递网页给客户。客户端和服务器之间的通信使用超文本传输协议（HTTP）进行。交付的页面最常见的是HTML文档，除了文本内容之外，还可能包含图像，样式表和脚本。Web服务器的基本功能就是提供Web信息浏览服务。它只需支持HTTP协议、HTML文档格式及URL。与客户端的浏览器配合。因为Web服务器主要支持的协议就是HTTP，所以通常情况下HTTP服务器和WEB服
2020-12-03 12:48:05
3088
2
原创 损失函数与正则项（惩罚项），多loss间权重设计
正则项(惩罚项)正则项（惩罚项）的本质惩罚因子（penalty term）与损失函数（loss function）penalty term和loss function看起来很相似，但其实二者完全不同。惩罚因子：penalty term的作用就是把约束优化问题转化为非受限优化问题。罚函数的基本思想是构造辅助函数，把原来的约束问题转化为求辅助函数极小化的无约束问题。机器学习为什么需要正则项我们经常看到，标准损失函数通常由两项组成，数据损失项和惩罚项，并将惩罚项乘以超参数λ，用来平衡这两项。
2020-12-02 16:52:14
35873
3
Android xml资源文件中@、@android、@+以及问号的使用详解
2014-12-27
boost asio库编程
2014-12-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人