- 博客(36)
- 资源 (1)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 模拟调制的理解
模拟调制，可以理解为信号为模拟信号，例如麦克风，接收到声音产生震动，生成模拟波形的电信号，这个时候再用本地振荡器LO产生一个高频载波，然后和这个低频语音电信号相乘，就是标准的模拟信号幅度调制，调制的高频信号通过天线发射出去，接收端接收到信号后，再通过电容的隔直特性，低通滤波，还原出来低频电语音信号，整个过程都是模拟电路实现的，其中用到的调制方式也就是模拟调制，解调方式也是模拟解调。
2024-01-10 09:16:35
344
1
原创 C#学习笔记之——委托、线程、事件、lamda表达式
委托的广播和订阅，实现数据传递。带参数的方法需要这样开多线程。Task任务，对线程的封装。Action对委托的封装。delegate委托。
2022-11-25 21:44:40
679
2
原创 c#学习笔记
a的地址在栈中，假设0x00 01-0x 00 02-0x00 03-0x 00 04存放的是a，这4个字节内的内容也就是2的地址，假设2存放在0x00 00 55 56中，则在0x00 00 55 56-0x00 00 55 57的这两个字节中存放的是数字2的二进制，因为ushort的类型占用16位，所以这两个字节中为00000000 00000010。添加一个值变量a，在运行到15行的时候，值变量a的值是0，这也是值变量和引用类型变量的区别，值变量默认空为0。建立了两个变量一个是a，一个是st。
2022-11-06 14:49:01
3893
原创 关于神经网络算法优化器的总结
优化器选用SGD关于这里，就是求最优解的问题，预测值和真实值的误差就是函数方程，就是求损失值在W和b 取什么值的时候最小的问题，也就是生物神经学中的训练进化成长，有足够多的数据，训练模型让模型多次试错，就可以找到这个模型的权重和偏执，数学上就是求偏导数来求w和b这种方法计算量大，而且有很多偏导不好求解，很难求解以至于不能求解，所以工程实践中的求解算法是用的梯度下降法，换一句话说就是初始化一组权重值，算出损失，在把权重值一点点的加，算出损失值，观差损失值是变大还是表小，以调节梯度，这里就引出了优化器，也就是
2022-02-24 09:17:05
819
原创 RPN的理解，大家来指正
vgg16-input：一张图片，8008003的rgb图像特征提取层：vgg16，16倍下采样vgg16-output：5050512的feature maprpn-input=vgg16-output=5050512rpn的第一层可以理解为256个33的卷积核对feature map进行滑窗rpn-output1=5050256或者说是2565050，anchor的生成，可以认为是在5050256的特征图上的每一个像素点生成3个尺度3个比例的anchor box，也就是9个anchor bo
2021-08-12 19:57:05
231
原创 基于区域算法有
滑动窗口法，也叫做穷举法 sliding window，属于传统方法选择性搜索法，select search，属于传统方法区域推荐网络，RPN, 属于深度学习方法
2021-08-11 19:27:59
158
原创 RPN区域提议网络理解-关于faster-Rcnn
在选定好backbone后，通过backbone提取特征图设为F1特征图F1进入RPN网络，先通过anchor算法在特征图F1上生成wxhx9个boundingboxes，这么多的边界框，然后用256个3x3的卷积核做第一层卷积，然后用2个1x1的卷积核做第二层卷积，作为分类，4个1x1的卷积核做第二层卷积作为位置回归。这里就生成了区域提议框和标签。在分类算法中，卷积提取特征图后，输入到全连接层进行分类，可以分出1000个类别，其实这个工作是在训练好了提取特征的卷积神经网络和分类的全连接网络，全连接网络
2021-08-11 18:56:35
1284
原创 学习总结：关于pytorch保存save和加载load模型的总结
保存权重，推荐使用这种方法，不容易出错 torch.save(model.state_dict(), 'wbdog.pt') print('Finish training')上面的这个代码用了torch.save()方法，这个只是保存了训练好的权重到wbdog.pt文件保存模型以及权重 torch.save(model, 'wbdog.pt') print('Finish training')这样就把模型也保存了，...
2021-08-02 18:35:48
427
原创 感知机、支持向量机、逻辑回归、全连接网络、神经网络、卷积神经网络学习总计
感知机感知机用来进行二分类，为什么说它是用来做二分类的呢？因为感知机算法是找出y=wx+b这条直线，这条直线能够把线性可分的数据分开，是分成两部分，因为他就是一个方程，只能是把一堆数据分成两部分，对于线性可分的数据来说这个方程不只有一个，可能会有很多方程都能够把这些数据分成两部分，但是哪个方程是最优解呢？感知机没有选最优解的算法。因为感知机定义的损失函数是用的误分类的原理，误分类数据越多，则损失值越大，通过改变w和b值来最小化损失值，当误分类数据没有的时候，这个值就是0，那么这样的w和b可能不是一个，可能
2021-07-30 18:27:46
947
原创 2021-07-30学习总结：感知器，感知机，支持向量机，卷积，全连接
可以认为感知器是神经网络的一个神经元而感知机、支持向量机、卷积、全连接都是感知器由感知机作为感知器组成的神经网络-感知机神经网络由支持向量机作为感知器组成的神经网络叫做-支持向量机神经网络由卷积作为感知器组成的神经网络叫做-卷积神经网络cnn由全连接作为感知器组成的神经网络叫做-全连接神经网络传统的机器学习应该指的的是感知机和svm机器学习算法，而svm支持向量机是改良板的感知机全连接网络是神经网络化的感知机...
2021-07-30 12:03:44
959
原创 深度学习实战——基于pytorch写的一个猫狗分类的模型——学习总结
写在前面本学习总结主要目的1.怕以后忘记，到时候翻来看看，2.梳理一下项目过程，便于工业化生产（哈哈）3.敲一遍代码加深记忆4.帮助他人，方便入门同学能够容易入门本过程主要设计到的内容1.torch.nn，nn模块下的Module类，组件类，neture network2.tensor，巩固tensor的方法3.torch.utils.data里面DataLoader的用法4.torchvision里面transforms的用法5.torchvision.datasets里面Image
2021-07-23 17:07:41
2518
15
原创 学习笔记——pytorch怎么把PIL读取的图像转换成tensor，并归一化处理
torchvision的transforms的使用总结import torchfrom torchvision import transformsfrom PIL import Imageimage=Image.open('dog.jpg')print(image.size)toTensor=transforms.ToTensor()# 实例化一个toTensorimage_tensor=toTensor(image)print(image_tensor.size())...
2021-07-23 14:52:26
2136
原创 学习笔记——pytorch的torchvision.datasets的ImageFolder使用
from torchvision.datasets import ImageFolderimport matplotlib.pyplot as pltimport torchvision.transforms as T#总结一下torchvision.datasets的ImageFolder类root="catanddogs_dataset"#ImageFolder是一个class，该类的初始化方法需要传入5个参数，第一个参数root是一个string类型的，需要传入图片文件夹的path'''
2021-07-23 11:55:25
1022
1
原创 pytorch复现lenet5模型，并检测自己手写的数字图片
利用pytorch实现lenet5网络模型第一步：用pytorch框架搭建lenet5模型第一层为卷积层+池化层：conv2d+maxpool第二层为卷积层+池化层：conv2d+maxpool第三层和第四层为全连接层Linear第二步：数据集整理第三步：训练方法train(),训练数据第四步 test（），计算准确率第五步：detect（），可视化测试模型写在前面：利用框架搭建模型相对比较简单，但是也会遇到很多问题，网上资料很多，搭建模型的方法大同小异，但是在我尝试了用两种方法搭建出来模型，无论是训练
2021-07-18 19:16:38
2124
14
原创 关于在变量前加*的用法总结python变量加星号的意思总结
import numpy as np#定义一个数组a，是2维数组，有两行6列a=np.array([[1,1,1,1,2,2],[3,3,3,3,4,4]])#下面这个for循环里面写入了两个变量，应该有6个变量分别对应数组里面的6列对应的数字，如果加入信号就不应6个#变量了，#这个打印出来就是 for *xyxy,conf in reversed(a): print(xyxy) print("conf",conf) #print('cls',cls)import.
2021-07-01 16:02:00
1149
原创 用yolov5训练了一个自己的数据集效果杠杠的
cv识别无人机（yolo算法）在github上download了yolov5的源码，想用视觉识别一下空中飞行的无人机，识别对象有：1：鸟类bird，2：无人机UAV，3：直升机helicopter；想通过自己创建一个数据集，训练yolov5，在调用detect.py来识别一下效果。第一步还是把最终训练出来的效果放上我把视频上传到b站了准备数据集百度了一下，在B站上看到有一个视频是做这个识别的，私信了up主，也没有理我，索性自己弄一个数据集吧！再说了有用不了半个小时。（这里提醒大家，自己做数据集不费
2021-06-25 11:33:49
5693
17
原创 yolo学习0：yolo v5训练自己的数据集
写在最前面设计的整个yolo学习博客分为3篇，第0篇，也就是本篇把我跑通的效果写着这里，也好让看官们能够看到训练完成后是一个怎么样的效果，花费了多长时间。数据我是在百度图片上下载了57张图片，标签大概要打上了200多个吧，花费了一上午的时间验证集的图片七八张的样子，打上了十几个图片从github上下载了yolo v5源代码，基于pytorch，所以电脑要安装pytorchpytorch的gpu版本好像很大，我用的是cpu版本，训练了100个epoch花费了大概2个小时的时间，就可以出来效果
2021-05-13 22:50:11
556
原创 yolo学习1：怎么用labelimg创建自己的yolo数据集
这里写自定义目录标题yolo v5训练自己的数据集制作自己的数据集准备工作1，下载labelimg工具下载labelimg工具功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入yolo v5训练自己的数据集最近看了好多图像识别之目
2021-05-13 22:34:55
4476
3
原创 飞桨paddlepaddle深度学习实战——学习笔记（第三章飞桨实践）
@[TOC] 第三章 paddlepaddle实践第三章学习笔记# 定义reader# 定义buf_size和batch_size大小buf_size = 1000batch_size = 256# 训练集readertrain_reader = fluid.io.batch( reader=paddle.reader.shuffle( reader=read_data(TRAIN_SET), buf_size=buf_size ),
2021-03-07 21:32:08
797
原创 20210305 pycharm开发环境总结一
在使用pycharm写python的时候，在用到某个方法或者变量的时候，输入代码的时会有这样的提示，如下图提示，f，v，p这些参数分别表示什么意思呢？p：parameter 参数m：method 方法c：class 类v：variable 变量f：function 函数比如p，当前你使用的方法需要传入参数，你在输入参数的时候，会在提示中显示出来，显示前面带有p的就是该方法中需要传入的参数，加上等号，等号后面你在输入的时候就会提示选v，就是该文档前面自己定义的变量。...
2021-03-05 21:50:24
143
原创 对于两层的浅层神经网络公式总结
两层浅层神经网络第一层中用到的函数一次线性方程Z1=W1.X+b1 Z1=W1.X+b1Z1=W1.X+b1第一层的非线性激活函数为tanh,公式为：A1=σ(Z1)=eZ1−e−Z1eZ1+e−Z1A1=\sigma(Z1)=\frac{e^{Z1}-e^{-Z1}}{e^{Z1}+e^{-Z1}}A1=σ(Z1)=eZ1+e−Z1eZ1−e−Z1等同于：A1=tanh(Z1)A1=tanh(Z1)A1=tanh(Z1)tanh函数的导数为：T′(x)=1−T2(x)T'(x)=1-T
2021-02-28 21:12:17
439
原创 numpy里面的random.seed()的用法理解总结
numpy random seed总结笔记1.实验一1.1实验一代码1.2实验一结果1.3个人理解总结2.实验二2.1实验二代码2.2实验一结果2.3个人理解总结3.实验三3.1实验二代码3.2实验一结果3.3个人理解总结1.实验一1.1实验一代码import numpy as npimport randomdef seed1(): ''' numpy里面的random 关于np里面random.seed的意思和用法 :return: ''' for
2021-02-27 11:32:52
649
1
原创 opencv学习笔记-imread（）
import cv2import numpy as nplena=cv2.imread("img_00.jpg")print(lena)print(type(lena))Y=lena.shape[1]X=lena.shape[0]z=3data_dim=Y*X*3print("Y是563行",lena.shape[0])print("X是750列",lena.shape[1])print("通道数是3",lena.shape[2])lena=np.squeeze(lena)prin
2021-02-21 20:00:00
393
原创 深度学习学习笔记——线性代数矩阵的乘法运算
关于矩阵的运算：关于矩阵的乘法运算总结一下矩阵的物理意义矩阵和矩阵相乘的运算的定义：设A是一个m×nm\times nm×n矩阵，B是一个n×sn \times sn×s 矩阵，规定矩阵A和矩阵B的乘积是一个m×sm\times sm×s矩阵C...
2021-02-21 13:58:46
10342
原创 深度学习学习笔记——矩阵的加法运算
关于矩阵的运算：矩阵的加法假设有两个m×nm \times nm×n 的矩阵A和矩阵B,那么矩阵A和矩阵B的和记作A+BA+BA+B注意：只有当两个矩阵是同型矩阵时，这两个矩阵才能进行加法运算，矩阵加法运算满足下列运算规律假设A,B,C都是m×nm \times nm×n矩阵则A+B=B+AA+B=B+AA+B=B+A(A+B)+C=A+(B+C)(A+B)+C=A+(B+C)(A+B)+C=A+(B+C)假设矩阵 A=(aij)A=(a_{ij})A=(aij)则−A=(−ai
2021-02-21 11:37:30
1206
原创 python学习笔记——本地安装opencv-python
用pip 直接安装opencv总是报错，装了一半的时候报错，下载也慢，就去pipy网站下载了一个opencv的版本,1.把opencv python版本下载到本地网站地址：https://pypi.org/pipy网站在搜索框里面搜索opencv python搜索到的界面如上图所示。点击第一个进去可以下载当前最新版本和历史版本点击download根据自己的python 版本下载相应的版本，根据自己的电脑选择相同的版本2.下载到本地后，用pip安装打开cmd控制台（我把下载好的
2021-02-21 10:08:17
1391
1
原创 python学习笔记——numpy的squeeze方法
squeeze的中文意思是挤压的意思在numpy中squeeze的用法是什么呢？首先运行代码第一次代码实验cost=[[[[12,24]]]]#cost=[[12,22],[23,33],[34,44]]#print('cost,squeeze之前的样子',cost)print(type(cost))#print(len(cost))#print(cost[0][1])cost=np.squeeze(cost)print("________________________")pri
2021-02-20 23:06:21
2515
原创 利用numpy实现Logistic回归模型——总结（5）
总结前面已经写了5篇总结了，单层网络中要使用的所有方法基本上全部写完了，今天这篇总结就是写一下这个Logistic回归模型的main函数，把所有的方法都用起来，看看训练后的结果，和预测的结果怎么样。main函数首先回忆一下，训练Logistic回归模型需要我们给他提供什么数据，原始数据肯定少不了，还有初始化的W，b，还有学习率learning_rate，最重要的还有迭代次数，我们需要算多少次，iteration_nums所以第一步：加载数据，X_train,Y_train,X_test,Y_tes
2021-02-19 16:35:35
286
原创 利用numpy实现Logistic回归模型——总结（4）
内容提要上一篇写道了深度学习的计算过程包括3个过程第一个过程：正向传播-forward propagation第二个过程：反向传播-backward propagation第三个过程：梯度下降1.参数更新函数上一篇定义了一个计算成本和梯度的正向传播和反向传播函数，计算出了cost和梯度dw，db有了w，b和dw，db后需要更新一下w，b，继续算成本值这一篇总结一下一次参数更新函数w=w−adw(公式1)w=w-adw \tag{公式1}w=w−adw(公式1)b=b−adb(公式
2021-02-18 21:35:32
366
原创 利用numpy实现Logistic回归模型——总结（3）
内容提要上2篇博客写的内容：1，加载数据2，整理数据3，数据归一4，初始化权重w和b所有的已知量都知道了，接下来就要开始写梯度了，写出来这个logistic模型的算法。现在所有的数学公式都可以用现在已知的量表达出来了。1.数据集标签y的格式和内容是什么？先看看数据集标签y的格式和内容是什么？之前说的都是数据集的变量x，没有写y的格式和内容，为了便于理解，把这个y的内容也补上。加上一个图片，如上图所示，加载了数据后，返回接收了x和y，这一次我们打印出来y的各个属性看看y的格式和内容。可
2021-02-18 17:49:02
406
1
原创 利用numpy实现Logistic回归模型——总结（2）
内容总结：我写的第一篇博客是梳理的logistic回归模型的原理，主要内容是总结Logistic回归模型实现二分类的整体流程。这一篇是第二篇，总结一下怎么用numpy实现Logistic回归模型，numpy是python的一个数学运算的包（numpy深度的内容我还不知道，现在对他的理解就是：他的内容就是大学《线性代数》里面的知识）。接下来就总结一下从理论到实战的过程。这个实战过程也是《飞桨PaddlePaddle深度学习实战》这本书里面的内容，我写的是自己看完后的理解和总结，不是copy人家的哈哈哈
2021-02-17 21:06:26
592
3
原创 利用numpy实现Logistic回归模型——总结（1）
Logistic回归模型学习总结第一：深度学习单层网络第二：Logistic回归模型概述2.1建立一个数学模型：把变量和结果表示出来——线性变换出来吧2.2 怎么把y值映射到0和1这两个数——非线性变换出来了第三：Logistic回归模型——预测步骤之理解第四Logistic回归模型——损失函数和成本函数第五：Logistic回归模型——梯度下降算法第六：Logistic回归模型——向量化第七：Logistic回归模型——利用Numpy实现Logistic回归模型总结：个人理解学习总结买了一本书《飞桨P
2021-02-16 16:57:36
1066
5
dataset.rar
2021-07-07
yolo输入图像大分辨率小目标检测？
2021-07-29
TA创建的收藏夹 TA关注的收藏夹
TA关注的人