lzj50002801的博客

原创 ConnectTimeout: (MaxRetryError(“HTTPSConnectionPool(host=‘huggingface.co‘, port=443)

连接huggingface获取模型的时候总是连接超时443。

原创 ubuntu20.04 30系显卡安装cuda11.3

# 最简单的安装方法```cuda和cudnn其实不是必须的直接在ubuntu的软件更新里面更新合适的驱动即可然后安装anaconda(官网连接 https://www.anaconda.com/products/individual#Downloads)，会自带cuda toolkit，我们用这个即可。需要注意的是这个cuda toolkit的版本要大于驱动对应的cuda版本才可以。可以去下面的链接查询https://docs.nvidia.com/cuda/cuda-tool

原创 论文学习-Image Inpainting for Irregular Holes Using Partial Convolutions

论文题目： Image Inpainting for Irregular Holes Using Partial Convolutions论文作者：Guilin Liu Fitsum A. Reda （ NVIDIA Corporation）发表时间和期刊：2018Abstract 摘要1、现状：基于深度学习的修复损坏图像方法都是使用基于有效像素（平均值）替代masked hole的标准卷积网络或者卷积滤波器。2、存在问题：现有方法会导致伪影，例如颜色差异或者模糊；通常使用后处理来解决，.

原创 论文学习笔记-Swapping Autoencoder

原创 conda常用命令使用手册

记了忘 记了忘 ，每次都想不起来，写个文档记一下！常用命令显示创建的虚拟环境conda info -e列出当前环境安装的所有包conda list安装/更新/删除第三方的包，会自动处理依赖（也有人说推荐使用pip安装，看个人喜好吧）conda install 、 conda update 、 conda remvoe创建新的虚拟环境conda create --name tf python=3.6 tensorflow激活/退出环境source activate.

原创 基尼系数和信息熵的概念和公式

一、GINI系数（基尼系数）衡量数据的不纯度或者不确定性。值越大样本集合的不确定性也越大。G=1−∑i=1kp12G= 1-\sum_{i=1}^kp1^2G=1−i=1∑k​p12GINI指标：取值范围（0-0.5）基于GINI指标的算法：Cart二、INFO (信息熵)信息熵：对信息的量化度量，反映信息所携带的信息量大小。基于INFO指标的算法：ID3、C4.5。信息增益增益率指标（C4.5）错误率（取值范围：0.5-1）...

原创 距离和相似度总结

常见的距离算法闵可夫斯基距离（Minkowski Distance）闵氏距离没有考虑特征参数间的相关性，马哈拉诺比斯距离解决了这个问题。公式： D(x,y)=(∑u=1n∣xu−yu∣p)1/pD(x,y) = (\sum^n_{u=1}|x_u-y_u|^p)^{1/p}D(x,y)=(∑u=1n​∣xu​−yu​∣p)1/p曼哈顿距离（Manhattan Distance）p =1时，闵可夫斯基距离就是曼哈顿距离公式： D(x,y)=(∑u=1n∣xu−yu∣p)1/pD(x.

原创 Ubuntu18.04下的截图快捷方式

Ubuntu18.04下的截图快捷方式总结1、 Ctrl + Shift + Print 截取选中区域并复制到剪切板2、 不按Shfit，默认存放在Pictures目录下面

原创 MNIST代码实现以及网络结构详解

ALEXNET代码实现以及网络结构from __future__ import print_functionimport argparseimport torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torchvision import datasets, transformsfrom torch.optim.lr_scheduler import Step.

原创 Ubuntu18.04 cuda10.0 pytorch开发环境搭建

开发环境安装注意事项: UBuntu环境安装比较简单，网上教程很多，就不详细讲解了，这里只是补充记录下一些差异的地方；1、建议新手不要安装太新的系统和CUDA，有些比较旧的项目使用新版本跑不起来，我装了Ubuntu20，然后退回来了；2、装系统的时候最好装精简版本的，驱动也不需要，自己安装就可以了，不然会有冲突；3、CUDA相关的安装包下载比较费时间，下面有链接，有需要的自取；4、CUDA依赖gcc和cmake，可以apt-get install 安装下；5、 Anaconda安装相对比较简单，

原创 3D重建领域综述论文-2020

论文标题：Image-based 3D Object Reconstruction: State-of-the-Art and Trends in the Deep Learning Era作者： Xian-Feng Han发表年份：2019使用深度学习的最先进的基于图像的三维物体重建的分类1、3D点云更适合使用Encoder-Decoder模型进行训练，其他模型因为结构化的数据并不适合直接使用深度学习的模型。2、Encoder-Decoder模型3、GAN模型THE ENCODING ST

原创 SLAM基本流程和算法框架

经典的SLAM框架图基本流程传感器信息读取。在视觉 SLAM 中主要为相机图像信息的读取和预处理。如果在机器人中，还可能有码盘、惯性传感器等信息的读取和同步。视觉里程计 (Visual Odometry, VO)。视觉里程计任务是估算相邻图像间相机的运动，以及局部地图的样子。VO 又称为前端（Front End）。后端优化（Optimization）。后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图。由于接在 VO 之后，又称为后端（Back

原创 Comprehensive Image Processing on Browsers

原创 NLP学习笔记-LSTM

记录下LSTM的公式，时常温习用。LSTM论文：S. Hochreiter and J. Schmidhuber. Long short-term memory. Neural Computation, 1997.GRU（Gated Recurrent Unit ）论文出处：Learning phrase representations using RNN encoder-decoder for statistical machine translation.(EMNLP 2014)..

原创 NLP论文学习笔记-deepnmt

论文题目：Sequence to Sequence Learning with Neural Networks论文作者：Ilya Sutskever(Google)发表时间： NIPS 2014评价方法：BLEU背景：机器翻译需要人工翻译打分，成本太高，速度慢；所以提出了一种机器自动评价的方法；出处： a Method for Automatic Evaluation of Machine Translation, 20021-GRAM: p1=Countclip(the)Cou

原创 pytorch学习-torch相关api总结

torch api总结总结一些常用的api，以防忘记。完整api链接地址：https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/torch 包含了多维张量的数据结构以及基于其上的多种数学操作。另外，它也提供了多种工具，其中一些可以更有效地对张量和任意类型进行序列化。torch创建相关# 1. 返回一个2维张量，对角线位置全1，其它位置全0# torch.eye(n, m=None, out=None)tor

原创 神经网络-激活函数总结

学习是不断回顾总结知识的过程。本文主要介绍常见的激活函数的特征和区别，以及使用matplot绘制。实现的激活函数包括tanh、sigmoid、softmax、relu等。激活函数概念激活函数的主要作用是提供网络的非线性建模能力。在我们面对线性可分的数据集的时候，简单的用线性分类器即可解决分类问题。但是现实生活中的数据往往不是线性可分的，面对这样的数据，一般有两个方法：引入非线性函数、线性变换。线性变换，就是把当前特征空间通过一定的线性映射转换到另一个空间，让数据能够更好的被分类。激活函数，.

原创 NLP论文学习笔记-fasttext

论文题目： Bag of Tricks for Efficient Text Classification作者：Armand Joulin (Facebook)发表时间：EACL 2017论文思想：融合基于深度学习和机器学习的文本分类模型，特点速度快，可以在CPU上运行。Abstract本文为文本分类任务提出了一种简单并且高效的基准模型——Fasttext。Fasttext模型在精度上和基于深度学习的分类器平分秋色，但是在训练和测试速度上Fasttext快几个数量级。我们使用标准的多核CPU

原创 react 组件性能优化

如果你并非在做大型而复杂的应用, 你不需要过早地进行性能优化, 还是先把应用做出来吧react性能优化class组件优化1.shouldComponentUpdate比较组件的props和state是否真的发生变化，如果发生变化则返回true，否则返回false。引用官网的案例。class CounterButton extends React.Component { constructor(props) { super(props); this.state = {coun.

原创 docker基本操作

docker基本操作Install Docker官方文档: https://docs.docker.com/docker-for-mac/install/配置镜像加速Docker Hub镜像国内网络访问比较慢,这里配置阿里云镜像加速:Preference --> Daemon --> Registry mirrors添加以下配置：https://wwuqa7no.mirror.aliyuncs.com查看正在运行的容器 docker ps 如果想查看已经退出的容

原创 mongo docker部署基本操作

mongo docker部署基本操作mongo数据库没有密码和root账户，所以在部署的时候要手动做一些安全策略和备份操作备份和恢复#备份数据mongodump --host localhost --port 27017 -u 用户名 -p 密码 -o /data/backup/official0722#恢复数据mongorestore -h localhost:27017 -d official /data/backup/official授权和修改密码#授权,修改密码db.auth

原创 NLP论文学习笔记-chartextcnn

论文题目：Character-level Convolutional Networks for Text Classification作者：Xiang Zhang（New York University）发表时间：2015（NIPS ）基本思想：字符级别的卷积神经网络，擅长文本分类型任务。一、abstract本文从实验角度探索了字符级别卷积神经网络用于文本分类的有效性。我们构造了几个大规模的文本分类数据集，实验结果表明我们的字符级别文本分类模型能够取得最好的或者非常有竞争力的结果。对比模型包

原创 NLP论文学习笔记-word2vec

论文原文: Efficient Estimation of Word Representations in Vector Space作者: Tomas Mikolov发表时间: 2013一、论文背景统计语言模型基于马尔科夫假设（下一个词的出现仅依赖于前面的一个词或几个词），通过概率计算来描述语言模型(用语料在数据集出现频率近似概率结果)缺点：参数空间过大，数据稀疏严重Word representationOne-hot Representation(稀疏)watch [0,0,0