- 博客(133)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 直方图均衡化
参考链接：https://blog.csdn.net/timeless_2014/article/details/80389433 先统计每个像素值value的出现频数 然后转成概率值 注意hp怎么计算的，hp(1)=hp(0)+hs(1) hp(2)=hp(1)+hs(2) … 就是把前面的依次叠加到当前 重新计算新的像素值： g=hp(i)*...
2019-09-02 21:07:37
370
原创 顺/逆时针 数组旋转 两行代码搞定
顺/逆时针 数组旋转 两行代码搞定：# coding=utf-8# 顺时针def rotate1(A): A[:] = zip(*A[::-1]) return A# 逆时针矩阵旋转def roate2(A): A[:] = zip(*A)[::-1] return zip(*A)[::-1]a = [ [1,2,3], [...
2019-09-02 19:46:04
738
原创 dp动态规划、递归、矩阵最大路径、最大限制路径、路径可能情况数、有障碍物下的路径可能情况数
# coding=utf-8# 矩阵路径最大值 左上角到右下角def fun(M): m = len(M) n = len(M[0]) dp = [[0]*n for i in range(m)] dp[0] = [sum(M[0][:i+1]) for i in range(n)] for i in range(1, m): d...
2019-08-06 10:04:37
975
原创 leetcode medium 是否二分？
参考链接：https://www.cnblogs.com/grandyang/p/10317141.html#### 版本一 递归class Solution(object): # cur为index，color表示这个节点被染的色 def helper(self, g, cur, color, colors): colors[cur] = color...
2019-07-25 21:23:35
109
原创 Z字型打印矩阵 python实现
渣渣的代码，最近秋招期间，攒人品吧～～～# coding=utf-8# Z 字型打印矩阵# s = [[1,3,4,10,11],[2,5,9,12,19],[6,8,13,18,20],[7,14,17,21,24],[15,16,22,23,25]]# s = [[1,3,4,10],[2,5,9,11],[6,8,12,15],[7,13,14,16]]# s = [[1,3...
2019-07-23 17:41:28
922
原创 github内删除某(几)个文件夹
参考：https://blog.csdn.net/jsd581/article/details/79569691需要用git命令实现，不然你是没办法把文件夹干掉的！首先保证已经为github生成了key，不然是没办法同步的～ (自行百度哈，很简单的～)可能出现的问题：sign_and_send_pubkey: signing failed: agent refused opera...
2018-12-17 21:57:43
343
1
原创 SSD、Faster-rcnn Loss
一点细节疑惑：其中VGG16中的Conv4_3层将作为用于检测的第一个特征图。conv4_3层特征图大小是 ，但是该层比较靠前，其norm较大，所以在其后面增加了一个L2 Normalization层（参见ParseNet），以保证和后面的检测层差异不是很大，这个和Batch Normalization层不太一样，其仅仅是对每个像素点在channle维度做归一化，而Batch...
2018-11-11 18:39:44
398
转载 object_detector MAP:
转载自：目标检测中的mAP是什么含义？ - Wentao MA的回答 - 知乎 https://www.zhihu.com/question/53405779/answer/419532990对于上述PR值，如果我们采用：VOC2010之前的方法，我们选取Recall >= 0, 0.1, ..., 1的11处Percision的最大值：1, 1, 1, 0.5, 0.5, 0....
2018-11-01 13:09:51
457
原创 linux 后台挂命令
招不在多，一招够用就行：nohup command >logfilename.log 2>&1&example:nohup sh run_pascal.sh >baseline.log 2>&1&
2018-09-20 16:02:44
2405
原创 deeplab evaluate.py
#coding=utf-8# import scipy.ioimport numpy as np# from skimage.io import imreadfrom PIL import Image# data = scipy.io.loadmat('1.mat') # label = data['data']# res=np.argmax(label,axis=2).astyp...
2018-09-13 15:59:04
400
2
原创 caffe 跑deeplab_v2
传送门：传送门排坑：传送门传送门matio安装参考：传送门排坑记录：因为没有权限的原因(比较严格，敏感的情况，如公司服务器啥的...)，在安装matio的时候遇到生成不了libmatio.so.2的问题(就是make install 时候就报出不是sudoer的bug...)，导致后续要导入这个库链接就出问题。因为在 matio/src 及一些子目录下的Makefile文件...
2018-09-13 13:33:43
1235
9
转载 全连接层与卷积层的区别
传送门一.全连接层： 全连接层需要把输入拉成一个列项向量，如下图所示： 比如你的输入的feature map是2X2，那么就需要把这个feature map 拉成4X1的列向量，如果你的feature map 的channels是3，也就是你的输入是3X2X2，也就是相当于有了12个像素点，你就需要把feature map 拉成12X1的列...
2018-09-07 14:43:23
24047
4
转载 Deformable Conv
参考链接： 传送门细节见链接，总结下我的理解：形变的不是卷积的 kernel，而是 feature map 上的每个pixel。并没有对conv函数做什么变化，而是在普通的input map 和 conv之间，多做了一次conv得到input_offset map，再加上原input map，得到偏移后的新的input map pixel coor。( 这里要用到一下双线性插值)以...
2018-08-26 10:09:11
2850
2
原创 caffe源码实践
REGISTER_LAYER_CLASS(DeforConvolution); // 实现将指定Layer注册到全局注册表中 base_conv_layer.cpp 中，LayerSetUp函数内进行各种 变量、数据的声明。必要的话也在这初始化。(初始化在这里是自由的，可在这也可到等到用它的地方初始化..)caffe_set可是结合使用，src/caffe/util/m...
2018-08-20 18:18:33
206
转载 caffe-backward之梯度计算
传送门： 传送门backward是利用代价函数求取关于网络中每个参数梯度的过程，为后面更新网络参数做准备。求取梯度的过程也是一个矩阵运算的过程，后面会有详细介绍，本身求取梯度的过程并不是很复杂，而且网络中的各层求取梯度的过程都是相似的。下面就按照backward的运行顺序，从最后一层向前介绍caffe的backward的过程。softmax with loss layer： 按理说每一层...
2018-08-09 09:54:28
1521
原创 caffe源码解读整理
传送门： 传送门1传送门2传送门3传送门4传送门5传送门6传送门7blob解析：传送门比较全的： 传送门caffe权重更新： 传送门caffe中的正则： 传送门修改caffe.proto文件：传送门 传送门param:传送门backward: 传送门caffe's cuda: 传送门caffe 中deploy.prototxt 和tr...
2018-08-06 16:59:15
798
转载 cuda入门
传送门：传送门CUDA从入门到精通（零）：写在前面在老板的要求下，本博主从2012年上高性能计算课程开始接触CUDA编程，随后将该技术应用到了实际项目中，使处理程序加速超过1K，可见基于图形显示器的并行计算对于追求速度的应用来说无疑是一个理想的选择。还有不到一年毕业，怕是毕业后这些技术也就随毕业而去，准备这个暑假开辟一个CUDA专栏，从入门到精通，步步为营，顺便分享设计的一些经验教训，希望...
2018-08-01 16:21:19
265
转载 tensorflow 源码解读之三
传送门：传送门深度学习大讲堂是由中科视拓运营的高质量原创内容平台，邀请学术界、工业界一线专家撰稿，致力于推送人工智能与深度学习最新技术、产品和活动信息！ 4. TF – Kernels模块 TF中包含大量Op算子，这些算子组成Graph的节点集合。这些算子对Tensor实现相应的运算操作。图 4 1列出了TF中的Op算子的分类和举例。图 4 1 TensorFlow核心...
2018-07-31 22:50:35
1806
原创 tensorflow 和 caffe 中的 padding "same" "valid"
tensorflow："same": outsize = [ insize / stride ] 其中，[ * ] 向上取整 padding zero 按照左奇右偶"valid":outsize = [ insize - filter_size + 1 / stride ] 其中，[ * ] 向下取整 没卷到的 pixel 就直接丢弃。 ...
2018-07-28 18:58:49
1421
转载 bazel tf 使用问题
参考链接：传送门官方文档：官方文档1. Bazel must be invoked from a directory containing a WORKSPACE file. It reports an error if it is not. We call this the workspace directory.Bazel必须从woskspace目录下调用，该目录下包含WORKSPACE 文件...
2018-07-15 10:29:08
1899
转载 --trusted-host mirrors.aliyun.com 安装镜像的问题......
传送门：传送门pip升级到7.0以后，在使用http镜像进行包安装及升级的时候往往会有如下提示：Collecting beautifulsoup4The repository located at mirrors.aliyun.com is not a trusted or secure host and is being ignored. If this repository is avail...
2018-07-12 20:44:05
10162
1
原创 Squeeze-and-Excitation Networks SE-net
ImageNet 2017夺冠架构：SENet paper传送门参考链接：传送门1 传送门2核心思想我认为是：不再使用传统的对输入通道经卷积后的结果通道们，进行简单的叠加，而是去寻找各通道间的相关性，给予各通道不同的权值，然后再进行加权求和。这个通道间的权值，通过学习得到。上图： S:首先是压缩，squeeze（）把一个通道的map（尺寸为 mxn ）压缩成一个数...
2018-06-01 20:27:05
992
转载 BP反向传播算法推导
传送门传送门输出层梯度求解过程如上图所示，为一个输出层神经元，在计算输出层梯度的时候，我们不用去考虑前一层是如何输入的。所以我们用y来表示，图中的y(n)表示第n个样本在前一层的输出值，这一层的输入值。我们将当前节点定义为j。那么当前节点j的输入值之和为 这里的m是节点j前一层的输入节点的个数，其中包括一个偏置项b。这里的公式都很像，看公式注意下标。然后节点j的输出要经过激活函数，如图所示我们定...
2018-06-01 14:18:11
1535
原创 Semantic segmentation paper reading notes... (更新中...)
参考：知乎传送门 csdn传送门1. 逐渐摒弃对每个 pixel 进行类别分类的分割思想，而是把一个物类所包含的所有 pixels 看作一个整体。 尽量的实现类内一致和类间差别。(Face++的DFN：SN+BN) paper 还加入了全局语境和高层特征引导底层特征学习的思想。 paper2. 主动的去解决或者减轻，样本数不均衡(指的是，每个类别内含有的 pixels 个数不...
2018-05-31 11:36:25
354
原创 寻找数组中最大递增子序列
参考博客：寻找数组中最大递增子序列#coding=utf-8# 寻找list中的最长递增子序列.. 不要求元素必须彼此相邻.. 如:[1,-1,2,-3,4,-5,6,-7] >> [1,2,4,6]# https://wax8280.github.io/2016/10/18/859/# 这段代码我真是看了很久都还没完全吃透理解...def getdp(arr): n ...
2018-05-28 22:26:09
1665
1
原创 《剑指offer》所有py版本代码
纯手撸，参考了很多网上的优秀答案。。算是二手整理吧，或许对像我一样的coding菜鸟有点小帮助～传送门：剑指offer_python_all
2018-05-24 21:30:21
843
原创 剑指offer62: 圆圈中最后剩下的数---python
#coding=utf-8import numpy as np# 环形的n个值(0~n1),一直减去第m个数,求最后剩下的数def last_reaining_number(n, m): s = [x for x in range(n)] # 产生等差数列 p = m - 1 while len(s) != 1: # 这里用while而不是if ...
2018-05-24 15:46:32
547
转载 剑指offer 机器人的运动范围 python实现
传送门：传送门#coding=utf-8class Solution: def judge(self, threshold, i, j): # sum(map(int, str(i) + str(j)))这一句简直精髓! 直接得到坐标位置的 位和! i,j是超过1位的数也可以完美解决! if sum(map(int, str(i) + str(j))) &...
2018-05-14 22:11:18
2411
1
转载 LR推导及与SVM的区别
传送门：简书-传送门1、逻辑斯谛分布介绍逻辑斯谛回归模型之前，首先看一个并不常见的概率分布，即逻辑斯谛分布。设X是连续随机变量，X服从逻辑斯谛分布是指X具有如下的累积分布函数和概率密度函数：式中，μ为位置参数，γ>0为形状参数。逻辑斯谛的分布的密度函数f(x)和分布函数F(x)的图形如下图所示。其中分布函数属于逻辑斯谛函数，其图形为一条S形曲线。该曲线以点(μ,1／2)为中心对称，即满足：曲...
2018-05-13 23:43:53
1038
原创 对 反/转置 卷积的“浅显”理解...
参考了知乎的一点答案：传送门可以很简单的就理解为是一个使图像尺寸变大的操作。首先看一个卷积，在实际代码实现的时候，其实是转化为矩阵乘法计算实现的：如3x3的img，卷积后变成2x2了，其实是这么来的：3x3reshape变1x9，卷积核用的是[9, 4]，1x9与9x4相乘得1x4。reshape变2x2.那么反卷积是这样的：2x2reshape变1x4，卷积核[9, 4]转置变成[4, 9]，1...
2018-05-13 21:35:49
407
转载 BP算法推导
传送门：传送输出层梯度求解过程如上图所示，为一个输出层神经元，在计算输出层梯度的时候，我们不用去考虑前一层是如何输入的。所以我们用y来表示，图中的y(n)表示第n个样本在前一层的输出值，这一层的输入值。我们将当前节点定义为j。那么当前节点j的输入值之和为 这里的m是节点j前一层的输入节点的个数，其中包括一个偏置项b。这里的公式都很像，看公式注意下标。然后节点j的输出要经过激活函数，如图所示我们定...
2018-05-13 17:42:57
1606
转载 RF、GBDT、XGBoost面试级整理
传送门：传送门 RF、GBDT和XGBoost都属于集成学习（Ensemble Learning），集成学习的目的是通过结合多个基学习器的预测结果来改善单个学习器的泛化能力和鲁棒性。 根据个体学习器的生成方式，目前的集成学习方法大致分为两大类：即个体学习器之间存在强依赖关系、必须串行生成的序列化方法，以及个体学习器间不存在强依赖关系、可同时生成的并行化方法；前者的代表就是Boosting，后...
2018-05-13 14:24:12
517
转载 clip gradients 算法介绍
转载自：传送门1.梯度爆炸的影响在一个只有一个隐藏节点的网络中，损失函数和权值w偏置b构成error surface，其中有一堵墙，如下所示 损失函数每次迭代都是每次一小步，但是当遇到这堵墙时，在墙上的某点计算梯度，梯度会瞬间增大，指向某处不理想的位置。如果我们使用缩放，可以把误导控制在可接受范围内，如虚线箭头所示2.解决梯度爆炸问题的方法通常会使用一种叫”clip gradients “的方...
2018-05-11 19:20:47
5932
caffe-master-2
2018-08-05
caffe-master
2018-08-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人