- 博客(93)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 在一台电脑上配置多个Git账号，工作、生活两不误，修改 hosts 加速github访问
请注意上述的 私钥文件名，要对应。我们刚生成的私钥与公钥的文件名，如果要修改的话，可修改成一样的。输入完之后，你可以一起回车，到出一个矩阵框后，就算成功了。了，把 仓库 克隆下来后，为各个仓库单独设置用户名和邮箱。另外一个账号的话也如法炮制就OK了。在操作完上述命令后，可以用来查看情况，这不是必须的。开头到结尾都拷贝，然后配置到 github。即可以添加，Titile需要取一个就OK了。输入如下代码来生成 ssh key。完成上述后，测试一下密钥是否生效。文件，没有后缀，就是。的，则需要修改远程仓库。
2023-06-09 21:38:32
980
原创 SSH连接WSL2踩坑记录与增加端口转换规则，实现外网与WSL2的连接
这个就是WSL的IP地址，我们需要装windows的端口转发到WSL。重新修改后，启动ssh服务后，再尝试连接即可。如上设置完后，应该可以远程通常本机的IP地址访问WSL了。2.1 先测试一下本机的终端是否能连接到WSL的ssh。的密码，即可以进入了。但是现在远程的PC，还是无法通过。如上图所示，这里WSL的网络配置情况。至止，WSL里的的操作基本上已经完成了。打开文件后，可以用搜索修改如下的信息。把上面的都改完好，就重启ssh服务。WSL端口转换
2022-11-23 08:54:20
6444
原创 vscode C++ 分文件、文件夹编译配置与错误解决
文章目录问题includesourceout配置过程遇到的问题与解决遇到的问题1解决步骤1. ctrl + shift + p2. 配置json文件修改task.json文件修改launch.json可能遇到的错误1. collect2: error: ld returned 1 exit status2. /mnt/d/tmp/c++/source/add.cpp:3:10: fatal error: add.h: No such file or directory问题如下图文件夹> incl
2022-05-13 17:07:41
3450
3
原创 Windows更新没有更新提示：从windows 10升级到Windows 11，并WSL下配置cuda
文章目录从windows 10 升级到Windows 11安装WSL的安装配置cuda从windows 10 升级到Windows 11升级的方法有很多种，各大网站都有。有更新提示的按更新提示操作即可。我的是一直都没有更新提示，也搜索过网上的一些方法，但都不行。还是没法更新。但是下载的检测是否符合Windows 11的要求，电脑是符号的。所以就想到了官网。看有没有什么办法。打开如下网址，抱歉是英文的，我也没有找到对应的中文（应该是有的）https://www.microsoft.com/en-us/
2022-05-06 21:00:00
727
原创 Windows 11下 WSL使用 jupyter notebook
前言一直都使用jupyter notebook，不管做数据分析，还是调试代码，还有写文章都是。但是好像在WSL下又不好使。看了网上有很多方法都不好用。
2022-05-06 20:45:00
5314
4
原创 windows 10 下利用WSL的Linux环境实现vscode C/C++环境的配置
本文主要结合二个工具，介绍如何在windows搭建Linux开发环境：WSL(Windows Subsystem for Linux)VSCode(Visual Studio Code)WSL安装请参考链接https://blog.csdn.net/jasneik/article/details/123782018VSCode安装请参考链接配置Linux下的C/C++环境当然，也可以直接在windows下配置，也是挺方便的。这里就不再讨论这个的配置了。1. 打开WSL的控制台在wi
2022-04-13 21:16:36
3587
原创 pytorch 正向与反向传播的过程 获取模型的梯度（gradient），并绘制梯度的直方图
记录一下怎样pytorch框架下怎样获得模型的梯度文章目录引入所需要的库一个简单的函数模型梯度获取先定义一个model如下定义两个获取梯度的函数定义一些过程与调用上述函数的方法可视化一下梯度的histogram引入所需要的库import osimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom collections import OrderedDict一个简单的函数z=3y2=3(x+2)2z = 3y
2022-04-12 21:16:00
4745
3
原创 手把手教你如下在Linux下如何写一个C语言代码，编译并运行
文章目录手把手教你如下在Linux下如何写一个C语言代码，编译并运行打开Ubuntu终端创建 helloworld.c编译C文件手把手教你如下在Linux下如何写一个C语言代码，编译并运行打开Ubuntu终端我这里的终端是Windows下的WSL，如果有疑问，请参加链接创建 helloworld.c使用如下命令，用vim创建一个名称为helloworld.c的文件，回车后打开文件vim helloworld.c打开文件后，当前vim打开的文件下，是命令行模型，需要转入a，才能进行编辑文件
2022-04-11 13:21:35
7933
2
原创 python 多线程并发编程（生产者、消费者模式），边读图像，边处理图像，处理完后保存图像实现提高处理效率
文章目录需求实现先导入本次需要用到的包一些辅助函数如下函数是得到指定后缀的文件如下的函数一个是读图像，一个是把RGB转成BGR下面是主要的几个处理函数在上面几个函数构建对应的处理函数main函数按顺序执行结果需求本次的需求是边读图像，边处理图像（各种变组合），处理完后还要把处理好的图像保存到指定的文件夹。而且图像也挺多的，如果按顺序一个一个处理，那肯定要不少时间。所以就想到了多线程并发编程。实现先导入本次需要用到的包import osimport threadingfrom queue imp
2022-04-07 22:52:01
1545
原创 Pytorch 自定义激活函数前向与反向传播 Tanh
看完这篇，你基本上可以自定义前向与反向传播，可以自己定义自己的算子文章目录Tanh公式求导过程优点：缺点：自定义Tanh与Torch定义的比较可视化import matplotlibimport matplotlib.pyplot as pltimport numpy as npimport torchimport torch.nn as nnimport torch.nn.functional as F%matplotlib inlineplt.rcParams['figure.fi
2022-04-04 16:02:02
2762
原创 Pytorch 自定义激活函数前向与反向传播 sigmoid
文章目录Sigmoid公式求导过程优点：缺点：自定义Sigmoid与Torch定义的比较可视化import matplotlibimport matplotlib.pyplot as pltimport numpy as npimport torchimport torch.nn as nnimport torch.nn.functional as F%matplotlib inlineplt.rcParams['figure.figsize'] = (7, 3.5)plt.rcPar
2022-04-04 13:49:18
2029
原创 深度学习中的一些常见的激活函数集合（含公式与导数的推导）sigmoid, relu, leaky relu, elu， numpy实现
深度学习常用激活函数 公式与导数的推导过程，sigmoid, relu, leaky relu(p relu), elu, sgn等
2022-04-03 10:17:52
1614
原创 Windows下 jupyter notebook 运行multiprocessing 报错的问题与解决方法
测试用的代码下面每一个对应一个jupyter notebook的单元格import timefrom multiprocessing import Process, Queuedef generator(): c = 0 while True: time.sleep(1.0) # read something yield c c += 1%%timeds = generator()for i in range(3):
2022-03-30 08:48:13
1420
原创 Windows10 + WSL (Ubuntu) + Anaconda + vscode 手把手配置python运行环境（含虚拟环境）
配置WSLwindows桌面下，按下面顺序可以找到 "启动或关闭windows功能” ，开始 -> 设置 -> 应用 -> 应用和功能 -> 可选功能 -> 相关设置下 更多Windows功能（滚动鼠标到底部）点击后，会弹出 启动或关闭windows功能的页面，找到“适用于Linux的Windows子系统”，在前面勾选，确定后，等待Windows安装，若提示重启，就重新启动。下面有详细的截图安装Ubuntu1、打开Microsoft store，如下图，然
2022-03-27 22:29:52
8881
2
原创 Pytorch 学习率衰减 之 余弦退火与余弦warmup 自定义学习率衰减scheduler
import mathimport matplotlib.pyplot as pltimport numpy as npimport torchimport torch.nn as nnfrom torch.optim import *from torchvision import modelsclass Net(nn.Module): def __init__(self): super(Net,self).__init__() self.fc = n
2022-03-26 17:26:46
9383
5
原创 “multiprocessing\spawn.py”, line 105, in spawn_main错误与解决方法
记录一个不知名的错误错误解决方法OS： Windows 10错误非常的长，以至于，我也没有什么耐心去看，看了前面几行，应该是多线程引起的。下面太长，可以选择不看。错误Traceback (most recent call last):Traceback (most recent call last):Traceback (most recent call last):File “”, line 1, in Traceback (most recent call last):File “”
2022-03-25 18:03:25
8981
原创 PyTorch训练中Dataset多线程加载数据，比Dataloader里设置多个workers还要快
PyTorch训练中Dataset多线程加载数据，而不是在DataLoader背景与需求现在做深度学习的越来越多人都有用PyTorch，他容易上手，而且API相对TF友好的不要太多。今天就给大家带来最近PyTorch训练的一些小小的心得。大家做机器学习、深度学习都恨不得机器卡越多越好，这样可以跑得越快，道理好像也很直白，大家都懂。实际上我们在训练的时候很大一部分制约我们的训练的速度快慢被IO限制住了，然面CPU的利用率却不高，就算有8卡了，然而GPU的利用率却长期处理低水平，不能发挥设备本应该有的水平
2021-10-17 11:17:36
7180
原创 第10章 Python 数字图像处理(DIP) - 图像分割 基础知识 标准差分割法
This Chapter is all about image segmentation.I still not finished whole chapter, but here try to publish some for reference.这里写目录标题基础知识import sysimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfrom PIL import
2021-07-09 10:53:32
770
1
原创 设置Jupyter notebook 默认工作路径，修改Jupyter notebook 默认浏览器为Chrome
这里写目录标题一 设置Jupyter notebook 默认工作路径二 修改Jupyter notebook 默认浏览器为Chrome一 设置Jupyter notebook 默认工作路径安装好anaconda 后，jupyter notebook默认是有安装好的。在windows的菜单栏找到anaconda目录，如下图鼠标右键点击Jupyter Notebook，然后更多，打开文件位置，如下图打开之后就到一个文件夹里，有一些快捷方式，如下图对着Jupyter Notebook，右键 -&g
2021-06-03 09:54:46
1042
7
原创 第6章 Python 数字图像处理(DIP) - 彩色图像处理3 -色彩变换、彩色校正、彩色图像平滑和锐化、HSI彩色空间中的分割、RGB空间中的分割、彩色边缘检测
这里写目录标题色彩变换彩色图像平滑和锐化使用彩色分割图像HSI 彩色空间中的分割RGB空间中的分割彩色边缘检测彩色图像中的噪声色彩变换# 图像颜色分量的显示from PIL import Imageimg_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0630(01)(strawberries_fullcolor).tif')img_cmyk = img_ori.convert("CMYK")img_temp = np
2021-05-22 10:12:55
2683
2
原创 第6章 Python 数字图像处理(DIP) - 彩色图像处理2 - 灰度分层（灰度分割）和彩色编码，灰度值到彩色变换，Gray to RGB
第6章主要讲的是彩色图像处理，一些彩色模型如RGB，CMK，CMYK，HSI等色彩模型；彩色模型的变换关系；还包含由灰度图像怎样处理成假彩色图像；使用彩色分割图像等。本章比较少理论还有变换的描述，主要以代码为主，如有需要，请自行查看书本。这里写目录标题假彩色图像处理灰度分层（灰度分割）和彩色编码灰度值到彩色变换Gray -> RGB假彩色图像处理灰度分层（灰度分割）和彩色编码def gray_slice(img_gray): img_ori = img_gray / 255.
2021-05-22 10:05:34
2090
1
原创 第6章 Python 数字图像处理(DIP) - 彩色图像处理1 - RGB彩色模型，RGB to Gray，CMK和CMYK彩色模型，HSI彩色模型
第6章主要讲的是彩色图像处理，一些彩色模型如RGB，CMK，CMYK，HSI等色彩模型；彩色模型的变换关系；还包含由灰度图像怎样处理成假彩色图像；使用彩色分割图像等。本章比较少理论还有变换的描述，主要以代码为主，如有需要，请自行查看书本。这里写目录标题色彩基础彩色模型RGB彩色模型RGB to GrayCMK和CMYK 彩色模型HSIimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimpor
2021-05-22 09:58:25
2224
3
转载 AI+无线通信——Top7 (Baseline)分享与总结
从浩哥那里转载 https://wanghao.blog.csdn.net/article/details/115813954比赛已经告一段落，现在我们队兑现承诺，将比赛方案开源给大家，互勉互助，共同进步。队伍介绍我们的队伍名是Baseline，我们因分享Baseline结缘，所以就把队伍名叫Baseline。队长： 方曦来自上海交通大学，研三。队员 ：吕晓欣来自网易，AI工程师队员：王浩来自北京星河亮点，软件研发队员：杨新达来自广州一家企业，AI工程师方案摘要对于当前通信系统来说，物理
2021-04-18 16:39:32
2903
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建17 - 由投影重建图像、雷登变换、投影、反投影、反投影重建
标题瑞利噪声爱尔兰（伽马）噪声指数噪声均匀噪声椒盐噪声周期噪声估计噪声参数只存在噪声的复原 - 空间滤波均值滤波器算术平均滤波器几何均值滤波器谐波平均滤波器反（逆）谐波平均滤波器统计排序滤波器中值、最大值、最小值、中点 滤波器修正阿尔法均值滤波器自适应滤波器自适应局部降噪滤波器自适中值滤波器使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波线性位置不变退化估计退化函数采用观察法估计退化函数采用试验法估计退化函数采用建模法估计退化函数运动模糊函数OpenCV Motion Blur逆滤波逆滤波最小均方误差
2021-04-17 16:41:16
2607
4
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建16 - 约束最小二乘方滤波、几何均值滤波
标题约束最小二乘方滤波几何均值滤波约束最小二乘方滤波F^(u,v)=[H∗(u,v)∣H(u,v)∣2+γ∣P(u,v)∣2]G(u,v)(5.89)\hat{F}(u,v) = \bigg[\frac{H^*(u,v)}{|H(u,v)|^2 + \gamma |P(u,v)|^2} \bigg]G(u,v) \tag{5.89}F^(u,v)=[∣H(u,v)∣2+γ∣P(u,v)∣2H∗(u,v)]G(u,v)(5.89)P(u,v)为函数p(x,y)=[0−10−14−10−10]P(u,v
2021-04-17 16:33:30
1549
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建15 - 最小均方误差（维纳）滤波
标题最小均方误差（维纳）滤波最小均方误差（维纳）滤波目标是求未污染图像fff的一个估计f^\hat{f}f^，使它们之间的均方误差最小。e2=E{(f−f^)2}(5.80)e^2 = E \big\{(f - \hat{f})^2 \big\} \tag{5.80}e2=E{(f−f^)2}(5.80)误差函数的最小值在频率域中的表达比如下：F^(u,v)=[H∗(u,v)Sf(u,v)Sf(u,v)∣H(u,v)∣2+Sη(u,v)]G(u,v)=[H∗(u,v)∣H(u,v)∣2+Sη(
2021-04-17 16:30:39
1491
3
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建14 - 逆滤波
标题逆滤波逆滤波逆滤波逆滤波图像的退化函数已知或者由前面的方法获取退化函数，则可以直接逆滤波F^(u,v)=G(u,v)H(u,v)(5.78)\hat{F}(u,v) = \frac{G(u,v)}{H(u,v)} \tag{5.78}F^(u,v)=H(u,v)G(u,v)(5.78)F^(u,v)=F(u,v)+N(u,v)H(u,v)(5.79)\hat{F}(u,v) = F(u, v) + \frac{N(u,v)}{H(u,v)} \tag{5.79}F^(u,v)=F(u,v)+
2021-04-17 16:24:54
2262
4
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建13 - 空间滤波 - 线性位置不变退化 - 退化函数估计、运动模糊函数
标题线性位置不变退化估计退化函数采用观察法估计退化函数采用试验法估计退化函数采用建模法估计退化函数运动模糊函数OpenCV Motion Blur在这一节中，得到的结果，有些不是很好，我需要再努力多找资料，重新完成学习，如果大佬有相关资料推荐，不胜感激。线性位置不变退化# 巴特沃斯带阻陷波滤波器 BNRFimg_temp = np.zeros([512, 512])BNF_1 = butterworth_notch_resistant_filter(img_temp, radius=20, uk=
2021-04-11 08:26:31
1640
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建12 - 空间滤波 - 使用频率域滤波降低周期噪声 - 陷波滤波、最优陷波滤波
标题使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波本章陷波滤波器有部分得出的结果不佳，如果有更好的解决方案，请赐教，不胜感激。使用频率域滤波降低周期噪声陷波滤波深入介绍零相移滤波器必须关于原点(频率矩形中心)对称，中以为(u0,v0)(u_0, v_0)(u0,v0)的陷波滤波器传递函数在(−u0,−v0)(-u_0, -v_0)(−u0,−v0)位置必须有一个对应的陷波。陷波带阻滤波器传递函数可用中心被平移到陷波滤波中心的高通滤波器函数的乘积来产生HNR(u,v)=∏k=1QHk
2021-04-11 08:11:03
2235
2
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建11 - 空间滤波 - 自适应滤波器 - 自适应局部降噪、自适应中值滤波器
标题自适应滤波器自适应局部降噪滤波器自适应中值滤波器自适应滤波器自适应局部降噪滤波器均值是计算平均值的区域上的平均灰度，方差是该区域上的图像对比度g(x,y)g(x, y)g(x,y)噪声图像在(x,y)(x, y)(x,y)处的值ση2\sigma_{\eta}^2ση2 为噪声的方差，为常数，需要通过估计得到zˉSxy\bar{z}_{S_{xy}}zˉSxy 为局部平均灰度σSxy2\sigma_{S_{xy}}^2σSxy2 为局部方差f^(x,y)=g(x,y)−ση2σ
2021-04-05 16:59:31
1758
1
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建10 - 空间滤波 - 统计排序滤波器 - 中值、最大值、最小值、中点、修正阿尔法均值滤波器
标题统计排序滤波器中值、最大值、最小值、中点 滤波器修正阿尔法均值滤波器统计排序滤波器中值、最大值、最小值、中点 滤波器f^(x,y)=median{g(r,c)}(5.27)\hat{f}(x, y) = \text{median} \{g(r,c)\} \tag{5.27}f^(x,y)=median{g(r,c)}(5.27)f^(x,y))=max{g(r,c)}(5.28)\hat{f}(x, y)) = \text{max} \{g(r,c)\} \tag{5.28}f^(x,y))
2021-04-05 16:49:35
1493
2
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建9 - 空间滤波 - 均值滤波器 - 算术平均、几何平均、谐波平均、反谐波平均滤波器
标题只存在噪声的复原 - 空间滤波均值滤波器算术平均滤波器几何均值滤波器谐波平均滤波器反（逆）谐波平均滤波器只存在噪声的复原 - 空间滤波仅被加性噪声退化g(x,y)=f(x,y)+η(x,y)(5.21)g(x, y) = f(x, y) + \eta(x, y) \tag{5.21}g(x,y)=f(x,y)+η(x,y)(5.21)和G(u,v)=F(u,v)+N(u,v)(5.22)G(u, v) = F(u, v) + N(u, v) \tag{5.22}G(u,v)=F(u,v)+N(
2021-04-05 16:43:57
1719
1
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建8 - 估计噪声参数
标题估计噪声参数估计噪声参数周期噪声的参数通常是通过检测图像的傅里叶谱来估计的。只能使用由传感器生成的图像时，可由一小片恒定的背景灰度来估计PDF的参数。来自图像条带的数据的最简单用途是，计算灰度级的均值和方差。考虑由SSS表示的一个条带（子图像），并令PS(zi)P_{S}(z_i)PS(zi)，i=0,1,2,…,L−1i = 0, 1, 2, \dots, L-1i=0,1,2,…,L−1表示SSS中的像素灰度的概率估计（归一化直方图值），其中LLL是整数个图像中的可能灰度（对8比特而言，
2021-04-05 16:36:25
841
1
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建7 - 周期噪声 余弦噪声生成方法
标题周期噪声周期噪声周期噪声通常是在获取图像期间由电气或机电干扰产生的def add_sin_noise(img, scale=1, angle=0): """ add sin noise for image param: img: input image, 1 channel, dtype=uint8 param: scale: sin scaler, smaller than 1, will enlarge, bigger than 1 will shrink
2021-04-05 16:33:45
1919
5
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建6 - 椒盐噪声
标题椒盐噪声椒盐噪声如果kkk是一幅数字图像中表示灰度值的比特数，则灰度值可能是[0,2k−1][0, 2^k -1][0,2k−1]。椒盐噪声的PDF为：P(z)={Ps,z=2k−1Pp,z=01−(Ps+Pp),z=V(5.16)P(z) = \begin{cases} P_s, & z = 2^k -1 \\ P_p, & z=0 \\ 1-(P_s + P_p), & z=V \end{cases} \tag{5.16}P(z)=⎩⎪⎨⎪⎧Ps,Pp,1−(Ps
2021-03-22 21:36:55
775
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建5 - 均匀噪声
标题均匀噪声均匀噪声均匀噪声的PDF为P(z)={1b−a,a≤z≤b0,other(5.13)P(z) = \begin{cases}\frac{1}{b-a}, & a\leq z \leq b \\ 0, & \text{other}\end{cases} \tag{5.13}P(z)={b−a1,0,a≤z≤bother(5.13)均值和方差为zˉ=a+b2(5.14)\bar{z} = \frac{a + b}{2} \tag{5.14}zˉ=2a+b(5.14)
2021-03-22 21:36:07
941
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建4 - 指数噪声
标题指数噪声指数噪声指数噪声的PDF为P(z)={ae−az,z≥00,z<0(5.10)P(z) = \begin{cases} ae^{-az}, & z\geq 0 \\ 0, & z < 0 \end{cases} \tag{5.10}P(z)={ae−az,0,z≥0z<0(5.10)均值和方差为zˉ=1a(5.11)\bar{z} = \frac{1}{a} \tag{5.11}zˉ=a1(5.11)σ2=1a2(5.12)\sigma^2 =
2021-03-22 21:35:22
740
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建3 - 爱尔兰（伽马）噪声
标题爱尔兰（伽马）噪声爱尔兰（伽马）噪声爱尔兰噪声的PDF是P(z)={abzb−1(b−1)!e−az,z≥00,z<0(5.7)P(z) = \begin{cases} \frac{a^bz^{b-1}}{(b-1)!}e^{-az}, & z\geq 0 \\ 0, & z < 0 \end{cases} \tag{5.7}P(z)={(b−1)!abzb−1e−az,0,z≥0z<0(5.7)a>ba > ba>b, bbb是一个正整
2021-03-22 21:34:40
903
2
原创 第5章 Python 数字图像处理(DIP) - 图像复原与重建2 - 瑞利噪声
标题瑞利噪声瑞利噪声瑞利噪声的PDF为P(z)={2b(z−a)e−(z−a)2/b,z≥a0,z<a(5.4)P(z) = \begin{cases} \frac{2}{b}(z-a)e^{-(z-a)^2/b}, & z \ge a \\ 0, & z < a\end{cases} \tag{5.4}P(z)={b2(z−a)e−(z−a)2/b,0,z≥az<a(5.4)均值和方差为zˉ=a+πb/4(5.5)\bar{z} = a + \sqrt{\
2021-03-22 21:32:02
1812
12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人