KeEN丶X-CSDN博客

原创 LeetCode灯泡开关（Python）

题目解题思路其实逻辑很简单，假设灯泡编号是 1 到 n ，对于第 i 轮，只要编号能整除 i 的灯泡都会被切换，所以根据这个思路可以写出代码：不出意外地超时了。因为没有想到的点是，对于一个数 k ，它的因子都是成对出现的（a * b = k，那么 a 和 b 都是 k 的因子），除非 k 是完全平方数。因此只需要知道 1 到 n 中有多少个完全平方数即可：...

2021-11-15 14:23:11 846 1

原创 LeetCode查找共用字符（Python）——哈希表

题目解题思路思路比较直白，记录不同word的字母哈希表并取交集即可。值得注意的是，如同示例1中，同一个字符共同出现多次也是可以的。看到题解中有一段很牛的代码：其中Counter直接取交集以及elements()方法十分便捷，而且Counter取交集与字典（或者说集合）取交集是有区别的：可以看到，Counter取交集对于相同的key不同的value会自动取更小的值，而字典直接取交集并不是这样：因此Counter的交集是直接符合题意的，而elements()生成一个迭代器：因此只需要取

2021-10-26 12:24:42 329

原创 LeetCode将数字变成0的操作次数（Python）——位运算

题目解题思路：将数字转为二进制后，有 a 位数就要做 a-1 次除法（最后一个1不用，比如 8 的二进制 1000，除以 2 就是右移一位，右移三位让 1 到最后，然后减去最后的1），有 b 个 1 就要做 b-1 次减法（当前面的1除以2右移到最后一位时，此时就是奇数，要减去最后的1）：执行结果：...

2021-09-12 12:14:58 317 1

原创 LeetCode存在重复元素（Python）

题目题解直接巧用集合：

2021-04-28 17:04:53 125

原创 LeetCode反转链表（Python）

题目解题思路由于python中的 “=” 实际上是引用，所以需要import copy模块：或者直接重新创建结点：

2021-04-28 16:57:30 156

原创 LeetCode同构字符串（Python）

题目题解模拟这个映射的过程，将s映射成t，t映射成s，只有都映射成功时才是符合规则的双射：

2021-04-28 16:24:34 161

原创 LeetCode计数质数（Python）

题目解题思路暴力法：埃氏筛：

2021-04-28 15:32:57 131

原创 LeetCode移除链表元素（Python）

题目解题思路这里主要是如果要删除头结点要做另外的处理，而官方题解中在head结点前加入了一个哨兵结点（虚拟头结点）让问题变简单：

2021-04-28 14:33:35 117

原创 CV中的注意力机制学习笔记（下）

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期接着记录一下CV中的注意力机制这几年的经典论文。SKNet论文全名为《Selective Kernel Networks》（原文链接：https://arxiv.org/abs/1903.06586），发表在CVPR 2019上。SKNet也是对于SENet的改进，其结合了Inception的思想，空间注意力这一部分就是使用多个不同大小的卷积核进行感知，以适配

2021-02-05 17:35:51 807

原创 CV中的注意力机制学习笔记（上）

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期记录一下CV中的注意力机制这几年的经典论文发展历程。...

2021-02-04 18:33:06 781 1

转载用神经网络做分类任务时，是不是输出层的神经元个数一定要和类别数相同？

用神经网络做分类任务时，是不是输出层的神经元个数一定要和类别数相同？神经网络中最后一层的输出层常为全连接层，它在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在很多常见的模型架构中，最后一层全连接层都与分类类别数相同，比如做MNIST手写数字识别问题就有10个输出层神经元节点，做ImageNet图片分类任务就有1000个输出层神经元节点。是不是一定需要这样做呢？为什么不可以

2021-01-31 16:01:31 4136

原创为什么是深度神经网络而不是宽度神经网络？增加神经网络的深度相比于增加宽度有哪些优点？

为什么是深度神经网络而不是宽度神经网络？增加神经网络的深度相比于增加宽度有哪些优点？Bengio和LeCun等人的论文《Scaling learning algorithms towards AI》中提到，如果一个深层结构能够刚刚好解决问题，那么就不可能用一个更浅的同样紧凑的结构来解决，因此要解决复杂的问题，要么增加深度，要么增加宽度。但是神经网络一般来说不是越深越好，也不是越宽越好，并且由于计算量的限制或对于速度的需求，如何用更少的参数获得更好的准确率无疑是一个永恒的追求。而目前针对网络宽度的研究远远不

2021-01-31 15:58:15 5727

原创 SegNet以及DeepLab系列学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期接着介绍语义分割任务中的经典模型。SegNet论文全名为《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation》（原文链接），是2017年的工作。SegNet也是一个Encoder-Decoder结构，并且编码器与解码器一一对应，tricks其实就一

2021-01-30 23:49:34 474 3

原创 FCN以及U-Net系列学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期介绍几个语义分割任务中的经典模型。FCN论文全名为《Fully Convolutional Networks for Semantic Segmentation》（原文链接），发表在2015的CVPR上。这篇论文的贡献也是比较大的，在语义分割领域也算得上是旗帜性模型了，首先就是提出了一个端到端的网络，用卷积层代替传统的全连接层，使得输出也变成二维形式,**

2021-01-30 11:54:04 1043

原创通过图+代码来理解tensorflow中反卷积

反卷积这个东西老是容易忘，而且很多文章理论讲的很详细，但反卷积实际怎么操作的却没有概念，因此想以自己喜欢的方式（直接上图和代码）写一篇，以便随时翻阅。卷积tf中的padding方式有两种，SAME和VALID，官方文档中好像还有个EXPLICIT方式，没了解过…先来仔细理解一下两种模式，以下所有输入矩阵与卷积核无论大小，其每个位置的值都为1：1、SAME模式，输入4×4，卷积核2×2，步长为1：import tensorflow as tfA = tf.constant(1.0, shape=[

2020-11-22 19:21:54 288

原创最速下降法、牛顿法、拟牛顿法解无约束凸优化问题（Python实现）

最近在课程实践作业中，要求用最速下降法、牛顿法和拟牛顿法三种方法求解高维一致凸二次优化问题的极小值，网上看到的大部分程序都是手动求好了凸二次函数 f 的偏导然后带进去计算，这样的话限制死了维数和次数，也让程序显得比较笨拙，因此就自己用python从零实现了一下，由于要的急也还有很多改进空间吧…这种优化问题其实用 matlab 会比较方便，因此在 python 里想的也是借鉴 matlab中的符号计算体系，所以基于 sympy 库去实现的。最速下降法理论部分：代码部分：import sympy as

2020-11-21 15:20:21 3938 5

原创 DSSD学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期介绍基于SSD改进的DSSD。论文相关信息论文全名为《DSSD : Deconvolutional Single Shot Detector》（链接），从名字可以猜想到，改进之处应该在于使用了反卷积来上采样，然后融合不同尺度的特征图进行预测。作者相关信息如下：如果了解 FPN （链接）会明确感受到 SSD 有个不小的缺点：最早的模型将输入图片进行暴力缩放，

2020-11-06 03:20:51 885

原创 SSD学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期仍然介绍目标检测中one stage类的模型——SSD。（图源网络）论文相关信息论文全名为《SSD: Single Shot MultiBox Detector》（链接），从名字可以看出，思路其实也是均匀地在图片的不同位置进行不同尺度的密集抽样，以适配不同形状的物体。作者相关信息如下：网络架构论文中与 YOLO 进行比较的 SSD 结构图：而且

2020-11-05 01:58:10 418

原创 YOLO v3学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期先简要介绍 YOLO v3，因为 YOLO v3 相比于 YOLO v2 改进并不是很多，但不得不承认效果确实好；然后正好YOLO v4 也在今年发表了，放在一起来看吧。YOLO v3论文相关信息（链接）：YOLO v3 的改进思路，也是在不牺牲或者少牺牲速度的基础上提高精度，最大的改变是在网络结构上，借鉴了 ResNet 、FPN 等结构，设计了 Dar

2020-10-21 16:19:16 251 1

原创 YOLO v2学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。上一期介绍了YOLO v1，这一期来介绍一下改进的YOLO v2（YOLO9000）。论文相关信息论文全名为《YOLO9000: Better, Faster, Stronger》（链接），题目很有趣，更好更快更强，搁这模仿奥林匹克口号呢？值得强调的一点是，为什么模型叫 YOLO9000 呢？因为作者说其可以检测9000多种目标类别。论文使用的数据集为 PASC

2020-10-18 18:30:33 350 1

原创 YOLO v1学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期仍然介绍目标检测的网络——YOLO v1，其也是one stage算法的起源网络。论文相关信息论文全名为《You Only Look Once: Unified, Real-Time Object Detection》（链接），从名字也可以看出YOLO系列最大的优点就是速度快。这篇论文于2016年发表在CVPR上，使用的是PASCAL VOC 2007、201

2020-10-17 01:22:15 397 1

原创 LeetCode快乐数（Python）

题目解题思路存储之前出现过的结果，如果再次出现同样的结果，就会进入无限循环，那么这个数就不可能是快乐数：执行结果为：看完官方题解之后，有一个地方是我没想到的：虽然第三种情况不存在，但是必须论证一下为什么不存在才行。使用快慢指针法可以减少一点时间复杂度：执行结果为：...

2020-10-14 18:24:28 509

原创 Mask R-CNN学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期介绍基于 Faster R-CNN 的 Mask R-CNN ，看看其如何改进使得模型出色地完成了实例分割任务。论文相关信息论文（链接）使用的数据集是MS COCO数据集，并且力压前几届的冠军模型们，比如FCIS，在COCO系列挑战赛的实例分割、边框目标检测以及人体关键点检测三个赛道中都取得了最佳成绩。网络架构论文中的架构图：更为清晰的图，转自这里：

2020-10-08 17:51:53 501

原创 Faster R-CNN学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。上一期的最后讲到了R-CNN的训练时间长的缺点，这一期来介绍改进后的Faster R-CNN，但在介绍Faster R-CNN之前想先简要介绍一下SPPNet和Fast R-CNN，标题...

2020-10-06 00:30:53 298

原创 Fast R-CNN学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。上一期讲的SPPNet基于R-CNN最大的改进，其实就是对整张图而不是对2000个候选框进行特征提取，加快了速度，这一期来看看Fast R-CNN又做出了哪些改进。论文相关信息《Fast R-CNN》（论文链接），于2015年发表在CVPR上，作者相关信息如下：论文所使用数据集为PASCAL VOC 2007、2010、2012数据集。网络架构从上图可以看

2020-10-04 15:50:21 164

原创 SPPNet学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。上一期的最后讲到了R-CNN的训练时间长的缺点，这一期先介绍一下改进的SPPNet.论文相关信息论文全名为《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》(论文链接），于2015年发表在IEEE上，作者相关信息如下：论文所使用数据集为 ImageNet

2020-10-04 13:42:39 188

原创 R-CNN学习笔记

本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。本期介绍RCNN，个人认为它是目标检测界的“AlexNet”，也是使得深度学习在目标检测任务中取得突破性进展的网络。论文相关信息论文全称为《Rich feature hierarchies for accurate object detection and semantic segmentation》，发表在2016年的IEEE上，作者及相关信息如下：论文所使用

2020-09-23 23:31:39 217

空空如也

空空如也