qq_17478877的博客

原创 VS2019编译yolo v4的一些坑

yolo v4的项目地址：GitHub - AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet )这个地址好像是yolo系列的算法的C实现都在这里了，具体的用法还没搞懂，这篇文章只记录yolov4的编译及试运行；1. 软件安装，我的GPU是GTX1650，驱动版本是457.49，CUDA版本是11.1，.

原创 Python基础笔记（五）zip()函数并行迭代

使用zip()同时对多个序列数据进行并行迭代，zip()在最短的序列数据结束时就会停止;students = ['小明','小红','小华']numbers = [1, 2, 3]ages = [8,9,10]for student, number, age in zip(students, numbers, ages): print(student, number, age)students = ['小明','小红']numbers = [1, 2, 3]ages =

原创 Python基础笔记（六）深拷贝与浅拷贝

定义：浅拷贝：不拷贝子对象的内容，只是拷贝子对象的引用；深拷贝：会连子对象的内存也全部拷贝一份，对子对象的修改不会影响源对象；

原创 Python基础笔记（四）字典、集合

1.字典1.1字典的定义Python中的字典属于序列，字典中的每个元素是一个“键值对”，“键值对”包含“键对象”和“值对象”；“键”是任意的不可变的对象：整数、浮点数、字符串、元组；列表、字典、集合这些可变对象不可以作为“键”，“键”不可以重复；“值”可以是任意的数据，并且可重复；1.2字典的创建字典可通过{}创建，也可通过dict()来创建，dict()无输入时创建一个空的字典对象，也可以输入一个可迭代的对象来创建一个非空的字典对象；通过zip()创建字典对象：a = l

原创 Python基础笔记（三）原对象修改字符串、序列、列表、元组等

1.原对象修改字符串Python中的字符串属于不可变对象，如果修改，会创建新的对象，可想而知，再需要频繁修改字符串时会产生大量的对象，占用较多内存；为了实现原对象修改字符串，可以使用io.StringIO对象：import iostr = "hello world"str1=io.StringIO(str)print(str1.getvalue())print(id(str1.getvalue()))str1.seek(5)str1.write('#')print(str1.ge

原创 Python基础笔记（一）对象、引用及垃圾回收机制

1.Python 中，一切皆对象。每个对象由：标识（identity）、类型（type）、value（值） 组成。 (1)标识用于唯一标识对象，通常对应于对象在计算机内存中的地址。使用内置函数 id(obj) 可返回对象 obj 的标识。 (2)类型用于表示对象存储的“数据”的类型。类型可以限制对象的取值范围以及可执行的 操作。可以使用 type(obj)获得对象的所属类型。 (3)值表示对象所存储的数据的信息。使用 print(obj)可以直接打印出值。 对象的本质就是：一个内存块，拥

原创 Python基础笔记（二）整数缓存、字符串驻留机制、字符串格式化等

Python基础笔记：1.同一运算符"is"用于判断两个标识符是不是引用同一个对象a = 1000b = 1000c = -6d = -6print(a is b)print(id(a), id(b))print(c is b)print(id(c), id(d))2.Python创建本身包含引号的字符串以及多行字符串：使用单引号创建字符串时，字符串本身可包含双引号，反之同理连续三个单引号或三个双引号，可以帮助我们创建多行字符串str1 ...

原创 图像处理基础：双边滤波器

双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。双边滤波器之所以能够做到在平滑去噪的同时还能够很好的保存边缘（Edge Preserve），是由于其滤波器的核由两个函数生成：一个函数由像素欧式距离决定滤波器模板的系数 另一个函数由像素的灰度差值决定滤波器的系数其综合了高斯滤波器（Gaussian Filter）和αα-截尾均值滤波器（Alpha-Trimmed mean Fi

转载 tensorflow中batch normalization的用法

转载：https://www.cnblogs.com/hrlnw/p/7227447.html

原创 tensorflow实现seq2seq模型中decoder出现ValueError: Dimensions must be equal, but are 512 and 277 for 'Decode

参考资料：https://www.xszz.org/faq-2/question-2018101955896.html原代码def decoder_lstm_based(h_decoder_in, encoder_final_state): cell_1 = tf.contrib.rnn.BasicLSTMCell(config.n_hidden, activation=tf.n...

原创 使用matplotlib.pyplot.imshow() 显示图像时出现“TypeError: Invalid dimensions for image data”的问题

如上两幅图，matplotlib.pyplot.imshow()需要数据是二维的数组或者第三维深度是3或4的三维数组，当第三维深度为1时，使用np.squeeze()压缩数据成为二维数组...

原创 ubuntu16.04+anaconda2+caffe2安装

经过好几天的折腾终于装好了caffe2，因为我最终目的是要安装Detectron: https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md，所以本文为这个目的服务，是在anaconda2+python2环境下进行的。参考资料：https://blog.csdn.net/m0_37644085/article/de...

原创 关于python类中_getitem_()方法的坑

参考资料：https://blog.csdn.net/lzp215lzp/article/details/82768757我们处理数据时，可能会将数据用类的方式取出来，并且我们在使用这些数据时会使用dataset['key'] 这样的方式取出，此时如果在_getitem_()方法里加入一些需要临时进行的操作（比如图像降采样）可以使数据处理变得灵活。...

原创 在Linux服务器上训练CycleGAN，退出SSH终端在后台执行python进行训练的方法

参考资料：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix                  https://blog.csdn.net/Willen_/article/details/85223092在github上有训练CycleGAN的指令，在该指令前加"nohup",python后面使用参数"-u",最后使用  "&gt...

原创 DiscoGAN论文"Learning to Discover Cross-Domain Relations with Generative Adversarial Networks"学习笔记

这是一篇研究如何使用GAN寻找域与域之间对应关系的论文。话不多说，直接分析模型：(1)       如果使用标准GAN网络将金发转换成黑发，只能保证生成的是黑发人物图像，因为判别器所做的仅仅是判断：生成的图像在多大程度上符合黑发人物的特征，无法保证转换后的人物和金发人物相貌相同(mode对应错误)。(2)       如果在标准GAN网络上使用重建损失，可以一定程度上改...

原创 github上vid2vid项目使用flownet导入 resample2d_cuda 时出现undefined symbol: _ZN2at5ErrorC1ENS_14SourceLocationE

解决方法：使用pytorch0.4.0，千万不要用0.4.1，pytorch更新太快了，有些代码会不兼容参考资料：https://github.com/NVIDIA/flownet2-pytorch/issues/79

原创 为什么使用交叉熵损失函数

•使用极大似然原理导出交叉熵损失函数减轻了为每个模型设计损失函数的负担，选择了模型p(y|x)就明确了损失函数logp(y|x)•损失函数的梯度必须有足够大的预测性，这样才能很好的指导算法的学习。很多输出单元都会包含一个指数函数，当变量取绝对值非常大的负值时函数会变得饱和（函数变得很“平”），函数梯度变得很小，而负的对数似然能够抵消输出单元中的指数效果。（下面的推导过程说明了使用交叉熵损失函数...

转载 RNN的BPTT算法中的梯度消失问题

参考资料链接：https://zhuanlan.zhihu.com/p/22338087随时间的反向传播（BPTT）让我们先迅速回忆一下RNN的基本公式，注意到这里在符号上稍稍做了改变（变成），这只是为了和我参考的一些资料保持一致。同样把损失值定义为交叉熵损失，如下：这里，表示时刻正确的词，是我们的预测。通常我们会把整个句子作为一个训练样本，所以总体错误是每一时刻的错误的加和。...

转载 RNN的几种类型

原创 AlexNet学习笔记

1.网络结构上图从左到右：   第0层是输入层：输入大小为227×227×3大小的RGB图像   第1层是卷积层：（1）使用96个11×11×3的卷积核，s=4，p=0，输入为上一层的输出（下同），输出数据维度为55×55×96                              （2）Local response normalization               ...

转载 卷积神经网络中feature map的含义

阅读数：6653卷积神经网络中feature map的含义      在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷...

原创 Logistic Regression代价函数权值更新的代码实现

data_matrix是  m×n 的矩阵，label_matrix是 m×1 的矩阵，h是预测得到的矩阵，error是 m×1 的预测与标签的误差矩阵，weights是 n×1 的权值矩阵，学习率为alpha那么logistic regression的权值更新可写为：error = h - label_matrixweights = weights - alpha * data_matrix.t...