自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

qq_30121457的博客

  • 博客(20)
  • 资源 (38)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 Docker常用命令记录

1. 背景了解1.Docker概述  ①docker的思想来源于集装箱，刚刚诞生的时候，没有引起行业的注意。  ②2013年将docker开源，越来越多的人发现了docker的优点。Dcoker每个月都更新一个版本，  ③2014年4月9日，Docker 1.0发布  ④Docker获得原因，十分的轻巧。在容器技术出来之前，我们都是使用虚拟机技术。虚拟机：安装虚拟机软件，通过该软件可以虚拟出来一台或者多台电脑。笨重  ⑤虚拟机也是属于虚拟化技术，Docker容器技术，也是一种虚拟化技术  ⑥D

2022-04-11 19:36:51 1081

原创 常用命令记录

记录Linux以及Mac的一些常用命令。

2021-10-10 20:12:26 477

原创 hive环境配置

记录一下hive环境(Mac m1)的配置过程，以防忘记。可能遇到的问题1.安装hadoop1).首先，安装hadoop:brew install Hadoopm1安装brew可以用一下两种命令:/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"如果第一种不行请试下面这种：/bin/zsh -c "$(curl -fsSL https://git

2021-08-02 23:04:09 546 6

原创 yolov4训练自己的数据集(详细)

之前说了好几个目标检测的模型了，今天我们就来讲讲如何运用yolov4来训练自己的数据集。在开始之前我们需要准备好所需的环境:# 系统环境centos=7.9.2009python=3.7.0cuda=10.2.89cudnn=7.6.5# 自己安装CMake >= 3.12: CUDA >= 10.0;OpenCV >= 2.4:cuDNN >= 7.0;GPU with CC >= 3.0:GCC or Clang;1.数据准备前期的数据标注可

2021-01-14 21:58:33 5414

原创 mmdetection训练自己的数据集(详细)

今天我们来说说怎么使用mmdetection来训练自己的数据集。所用的环境:centos=7.9.2009python=3.7.0cuda=10.2.89cudnn=7.6.5torch=1.6.0torchvision=0.7.01.数据集的准备数据的格式参考yolov3。目录格式如下:mmdetection----data--------VOCdevkit------------VOC2007----------------Annotations-----------

2021-01-13 22:16:54 17974 26

原创 detectron2训练自己的数据集及demo测试

今天就写写detectron2训练自己的数据。1.环境准备python=3.7.0cuda=10.2.89cudnn=7.6.5torch=1.6.0torchvision=0.7.02.数据准备(数据转换)    1.按照yolov3的文件目录(相关脚本下载提取码tfcj):VOC2007----Annotations----JPEGImages----ImageSets--------Main----test.py #脚本----

2021-01-10 22:14:33 6291 12

原创 yolov5训练自己的数据(详细)

已经说过了yolov3的编译、训练的流程了。那今天就来说说yolov5的训练过程了。1.环境准备python=3.7.0cuda=10.2.89cudnn=7.6.5torch=1.6.0torchvision=0.7.02.源码下载1.通过以下的命令来下载源码和相关以来库的安装：git clone https://github.com/ultralytics/yolov5# 如果网速不够快的可以尝试git clone https://github.com.cnpmjs.org/ul

2021-01-10 15:14:12 11197 3

原创 YoloV3运行自己的数据集(详细)

因为实习工作的需要，要做一些目标检测的项目。用到了一些目标检测的网络，那就记录一下，这次就先记录一下yolov3的训练之路吧。1.数据集的准备安装labelImg软件，来标注自己的数据集。pip install PyQt5 -i http://pypi.douban.com/simple/pip install labelimg安装完之后再终端输入labelimg就行，之后就可以开始标注数据了。①是选择图片所在位置，②选择保存xml文件的位置。③创建矩形框用于选择目标位置。 创建形如

2021-01-10 00:52:25 3478 10

转载 yolov3: cfg/yolov3-voc.cfg参数解释

[net] # [xxx]开始的行表示网络的一层，其后的内容为该层的参数配置，[net]为特殊的层，配置整个网络# Testing # 测试模式，batch 和 subdivisions 一般都为1#batch=1 #subdivisions=1# Training # 训练模式，batch 和 subdivisions 需要自己选取。# batch=32

2021-01-09 22:27:55 391

原创 Deeplearning——自编码器(Autoencoder)

前言自编码器（autoencoder, AE）是一类在半监督学习和非监督学习中使用的人工神经网络（Artificial Neural Networks, ANNs），其功能是通过将输入信息作为学习目标，对输入信息进行表征学习（representation learning）。其结构图如下图1所示图1 自编码器结构图一.生成模型  1.1.什么是生成模型  1.2.生成模型的类型二.自编码器(Autoencoder)  2.1.自编码器的定义  2.2.自编码器分类  2.3自编码器的应用

2020-10-05 08:18:38 2321 1

原创 深度学习中的超参数以及两个重要的超参数——学习率和batch_size

前言  在深度学习中有很多参数是我们在训练模型之前自己设定的，我们把这些参数就称为——超参数。其中主要超参数包括了:学习率、batch_size、梯度下降法循环的数量、隐藏层数目、隐藏层单元数目、激活函数的选择等。1.超参数2.学习率3.batch_size 1.超参数1.1 超参数的选择如何选择最优的超参数对模型的性能起着非常重要的作用，下面提供了一些常用的选择超参数的方法:  1.猜测和检查：根据经验或直觉，选择参数，一直迭代。  2.网格搜索：让计算机尝试在一定范围内均匀分布的一组值

2020-10-05 08:18:25 9210 3

原创 对过拟合和欠拟合的理解以及解决办法

前言  不管是在深度学习还是在机器学习中训练的模型存在着过拟合和欠拟合的现象，而且这种现象或多或少可能都是难以避免的。在介绍拟合和欠拟合之前我们先来了解一下其他几个概念。“误差”(偏差)：训练得到的模型实际预测输出和样本的真实输出之间的差异叫做误差。方差：描述的是模型实际的预测输出的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散;“泛化误差”：模型在训练集上得到的误差叫做"训练误差"，在新的样本或者说测试集上的误差叫做"泛化误差"。1.过拟合和欠拟合在了解了上面的概念之后我们就

2020-10-04 13:58:00 987

原创 对图像中语义信息、高层和底层特征的理解

前言  在计算机视觉中，大家经常会提起图像的语义信息以及图像的高层特征和底层特征。那么到底什么是图像的语义呢，图像的高层特征和底层特征又包含哪些信息的呢？今天我们就来说一说。1.图像的语义信息:  图像的语义分为视觉层、对象层和概念层，视觉层即通常所理解的底层，即颜色、纹理和形状等等，这些特征都被称为底层特征语义；对象层即中间层，通常包含了属性特征等，就是某一对象在某一时刻的状态；概念层是高层，是图像表达出的最接近人类理解的东西。通俗点说，比如一张图上有沙子，蓝天，海水等，视觉层是一块块的区分，对象层

2020-10-04 13:57:07 36475 10

原创 行人重识别(Person re-identification)概述

在人的感知系统所获得的信息中，视觉信息大约占到80%～85%。行人重识别（person re-identification）是近几年智能视频分析领域兴起的一项新技术，属于在复杂视频环境下的图像处理和分析范畴，是许多监控和安防应用中的主要任务，并且在计算机视觉领域获得了越来越多的关注。下面我们就仔细来聊聊行人重识别(ReID)。1.什么是行人重识别2.行人重识别研究的背景、意义及现状3.行人重识别的应用和目前存在的问题4.行人重识别目前所采用的方法5.行人重识别数据集6.行人重识别的评价指标7.

2020-10-04 13:56:21 9359

原创 目标检测中的Anchor

前言:在计算机视觉四大基本任务(检测、分类、定位、分割)中，图像的目标检测受到的了研究者们越来越多的关注。今天我们就来聊一聊在目标检测中一项重要的机制——Anchor。Anchor机制在凯明大神提出的Faster-RCNN(2015年提出)时兴起。下面将从三方面来叙述Anchor.目录1.什么是Anchor2.Anchor的机制3.Anchor的优缺点 1.什么是Anchor 在目标检测任务中，输入图像经过骨干网络提取得到特征图，该图上的每个像素点，即为anchor锚点；或者说在feat

2020-10-04 13:55:15 5436

原创 Mathtype的公式转化为CSDN中LaTex

因为刚开始写博客，要输入公式，但是CSDN纯手写的代码公式比较复杂。后来发现可以利用Mathtype可以快速转换成CSDN中MD公式。下面我就来说说怎么进行转换:1.安装Mathtype从百度云下载安装好Mathtype。2.在Mathtype编辑好自己的公式:3.然后在菜单栏中选择Preferences—>cut and copy Preferences…4.选择MathML or Tex,选择Plain Tex，下面两个复选框不要选:5.设置完之后就可选择刚才编辑公式，进行剪切

2020-10-04 13:53:30 198

原创 机器学习中max(x)和argmax(x)的区别

max(x)和argmax(x)都是取最大值的意思。但是，两者的意思是不一样的。比如:max⁡ip(i∣j)\mathop {\max }\limits_i p(i|j)imax​p(i∣j)中指的是当i取得特定值时p(i∣j)p(i|j)p(i∣j)取得最大值。而arg⁡max⁡ip(i∣j)\mathop {\arg \max }\limits_i p(i|j)iargmax​p(i∣j)指的是当p(i∣j)p(i|j)p(i∣j)取得最大值时对应i的值。...

2020-10-04 13:52:43 1841

原创 计算机视觉、图像处理顶会顶刊历年论文链接

CVPR、ICCV、ECCV、IJCAI、AAAI等计算机视觉、图像处理顶会顶刊历年论文链接在本文中只列出近年的论文网址，之前的论文的网址可根据地址栏的参数来进行改变。例:http://openaccess.thecvf.com/CVPR2020.py是CVPR2020年的http://openaccess.thecvf.com/CVPR2019.py是CVPR2019年的CVPR历年论文链接（每年开一次）CVPR2020论文链接CVPR2019论文链接CVPR2018论文链接ICCV历年论

2020-10-04 13:51:45 3679 2

原创 NVIDA CUDA显卡算力对照表

来源:https://developer.nvidia.com/cuda-gpus![Quadro显卡计算能力

2020-10-04 13:50:55 15018

转载 机器学习中的范数规则化之（一）L0、L1与L2范数

原文地址：https://blog.csdn.net/zouxy09/article/details/24971995 机器学习中的范数规则化之L0、L1与L2范数[email protected]://blog.csdn.net/zouxy09        今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比

2020-10-04 13:49:21 593

On the Role of Knowledge Graphs in Explainable AI A Machine Learning Perspective
可解释性人工智能是AI领域当下最火的话题之一，其在许多AI产业领域，比如金融、医疗健康等作用至关重要。本文详解了可解释性人工智能的动机、定义、评估，以及知识图谱在可解释性人工智能中的作用。

2020-10-07

MSMT17_V1数据集(需要的留下邮箱地址)
MSMT17_V1数据集就只有V1没有V2,其他资源需要的话，也可以免费发送；MSMT17_V1数据集就只有V1没有V2,其他资源需要的话，也可以免费发送；

2020-10-07

2019年中国人脸识别行业市场报告
2019年人脸识别行业市场前景研究报告；2019年人脸识别行业市场前景研究报告；2019年人脸识别行业市场前景研究报告；

2020-10-07

《编程珠玑》笔记(一切资源私聊免费发送)
本书是计算机科学方面的经典名著。书的内容围绕程序设计人员面对的一系列实际问题展开。作者Jon Bentley 以其独有的洞察力和创造力，引导读者理解这些问题并学会解决方法，而这些正是程序员实际编程生涯中至关重要的。本书的特色是通过一些精心设计的有趣而又颇具指导意义的程序，对实用程序设计技巧及基本设计原则进行了透彻而睿智的描述，为复杂的编程问题提供了清晰而完备的解决思路。本书对各个层次的程序员都具有很高的阅读价值

2020-10-07

More-Than-Meets-AI-2
IBM最新《人工智能白皮书》，AI实践经验教训。基于全球各国各公司在AI实践中的经验教训，PPS和IBM发布了AI白皮书《More Than Meets AI Part II》。白皮书描述了这些机构在AI实践时遇到的偏见、安全、透明度、工作影响等问题。

2020-10-07

Mxtorch---Pytorch
deep learning lib based on PyToch, learned from MxNet/Gluon and Chainer;deep learning lib based on PyToch, learned from MxNet/Gluon and Chainer

2020-10-07

Mathematics of Deep Learning(深度学习数学基础)留言发送
目前深度学习在学术界和工业界都得到了广泛的关注和应用。虽然TensorFlow、PyTorch等深度学习框架大大降低了深度学习模型实现的门槛，深度学习的应用仍离不开背后数学基础的指导。

2020-10-07

操作系统思考(一切资源私信免费发送)
在许多计算机科学的课程中，操作系统都是高级话题。学生在上这门课之前，它们已经知道了如何使用C语言编程，他们也可能上过计算机体系结构（组成原理）的课程。

2020-10-07

RNN+LSTM学习资料
对RNN及其改进版本LSTM的的介绍,和其中的运行机制的说明 RNN的结构 口简单来看,把序列按时间展开 为了体现RNN的循环性,可以将多层fod起来

2020-10-07

Machine Learning for OpenCV__
向您介绍统计学习的基本概念，例如分类和回归。一旦涵盖了所有基础知识，您将开始探索各种算法，例如决策树，支持向量机和贝叶斯网络，并学习如何将它们与其他OpenCV功能相结合。随着本书的进展，您的机器学习技能也将如此，直到您准备好接受当今最热门的话题：深度学习。本书面向熟悉OpenCV的Python程序员;本书将为您提供构建自己的机器学习系统所需的工具和理解，并根据实际的实际任务量身定制。

2020-10-07

Object Detection in 20 Years A Survey
视觉目标检测（Object Detection）作为近年来的研究热点之一，受到了广泛关注，每年在计算机视觉三大会议（ICCV, CVPR, ECCV）上大量相关文章发表。密歇根大学Zhengxia Zou博士等人近期发布了《Object Detection in 20 Years: A Survey》，这篇综述论文对近四分之一世纪(20世纪90年代至2019年)的400余篇论文进行了广泛的回顾，涵盖了许多主题，包括历史上的里程碑检测器、检测数据集、度量、检测系统的基本构建模块、加速技术以及最新的检测方法。本文还综述了行人检测、人脸检测、文本检测等重要的检测应用，并对其面临的挑战以及近年来的技术

2020-10-07

Deep_Learning_with_PyTorch_Quick_Start_Guide
自 2017 年 1 月 PyTorch 推出以来，其热度持续上升，一度有赶超 TensorFlow 的趋势。PyTorch 能在短时间内被众多研究人员和工程师接受并推崇是因为其有着诸多优点，如采用 Python 语言、动态图机制、网络构建灵活以及拥有强大的社群等。因此，走上学习 PyTorch 的道路已刻不容缓。

2020-10-07

万字综述之生成对抗网络
前阵子学习GAN的过程发现现在的GAN 综述文章大都是2016年 lan Goodfellow或者自动化所王飞跃老师那篇。可是在深度学习，GAN领域，其进展都是以月来计算的，感觉那两篇综述有些老了

2020-10-07

Deeplearning深度学习笔记最新版
这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 这些课程专为已有一定基础（本的编知识，熟悉 Python、对机器学习有基

2020-10-07

pytorch(PyTorch内部机制简介)
PyTorch 的构建者表明，Pytorch 的哲学是解决当务之急，也就是说即时构建和运行我们的计算图。这恰好适合 Python 的编程理念，一边定义就可以在 Jupyter Notebook 一边运行，因此，PyTorch 的工作流程非常接近于 Python 的科学计算库 NumPy。 TENSORS PRODUCTION ooooooooooooooo WHO AM I Christian S Perone 14 years working with machine Learning, Data Science and Software

2020-10-07

A Survey of Zero-Shot Learning(零样本学习综述)
近年来，零样本学习（ZSL，zero-shot learning）已经在大量的任务中受到了广泛的关注。本文为大家带来了南洋理工大学的零样本学习最新综述，希望对大家有所帮助。 A Survey of Zero-Shot Learning: Settings, Methods, and Applications

2020-10-07

基于深度学习的行人重识别研究综述（长图png）
基于深度学习的行人重识别研究综述。基于深度学习的行人重识别研究综述。基于深度学习的行人重识别研究综述。

2020-10-07

领域自适应目标识别综述_唐宋
针对目前域自适应目标识别问题的学习方法，进行系统总结。针对目前域自适应目标识别问题的学习方法，进行系统总结。

2020-10-07

郑哲东 Deep-ReID：行人重识别的深度学习方法
郑哲东 Deep-ReID：行人重识别的深度学习方法。 Person re-identification Background Learn pedestrian representations from

2020-10-07

A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)
A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)

2020-10-07

Hands-On Machine Learning with Scikit-Learn and TensorFlow
通过使用具体的例子，最简明的理论和两个Python框架：scikit-learn和TensorFlow 帮助您直观地理解构建AI系统的概念和工具。您将学习一系列技术，从简单的线性回归开始，逐步深入到神经网络。通过每章的练习来帮助您应用所学知识，您只需要编程经验即可开始使用。

2020-10-07

Machine Learning for OpenCV
探索并有效利用OpenCV的机器学习模块借助Python掌握线性回归和正则化技术，学习计算机视觉的深度学习对花卉种类，手写数字和行人等对象进行分类探索支持向量机，提升决策树和随机森林的有效使用。熟悉神经网络和深度学习解决实际问题使用k-means聚类在数据中发现隐藏结构获取数据预处理和特征工程

2020-10-07

Deep Learning with PyTorch（深度学习工坊整理）
将带您进入一个引人入胜的案例研究：构建一种能够使用CT扫描检测恶性肺肿瘤的算法。在作者引导您完成这个真实示例的过程中，您将发现PyTorch的有效性和趣味性。

2020-10-07

Computer Vision(2019)
本文是计算机科学家Christoph Rasche撰写的一份计算机视觉方面的系列教程，从传统的图像处理、特征提取到近几年很热的深度神经网络，以及深度学习方法在目标检测、图像检索、图像分割、目标跟踪等一系列前沿的介绍。教程也附详细的代码（Matlab 和 Python），建议初学者收藏学习

2020-10-07

台湾大学林轩田机器学习基石课程学习笔记(来自公众号【AI有道】)
台湾大学林轩田机器学习基石课程学习笔记(来自公众号【AI有道】) ·假设 hypothesis,一个机器学习模型对应了很多不同的 hypothesis,通过演算法 A,选择一个最佳的 hypothesis对应的函数称为短g,9能最好地表示事物的内在 规律,也是我们最终想要得到的模型表达式。

2020-10-07

统计学习方法及代码实现(Python)
全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。

2020-10-07

Self-Driving Cars A Survey(自动驾驶综述)
近几年来，自动驾驶发展非常迅猛，和自动驾驶相关的技术也在不断更新演变，其技术主要分为感知层、信息融合层、决策规划层、以及控制层。未来5到10年，全球互联网产业还有唯一一座未开掘的金矿，毫无疑问是自动驾驶。有预测表明，在2025年与自动驾驶相关的将产生1.9万亿美元的产值。这个庞大的产业与其他行业一样，会经历百舸争流到少数几家竞争的格局。

2020-10-07

2019_0116_hinton_lecture
杰弗里辛顿的2019最新演讲PPT，非常具有参考性。杰弗里辛顿的2019最新演讲PPT，非常具有参考性。杰弗里辛顿的2019最新演讲PPT，非常具有参考性。

2020-10-07

(英文)吴恩达新作《AI 转型指南》
吴恩达在自己的推特上发布了一个问题，称自己因为Landing.ai的项目到访很多国家，和非常多的CEO交流过他们的AI策略，想基于此发布一个报告，因此也向大家征集最想了解的问题。

2020-10-04

PyTorch_tutorial_0.0.4_余霆嵩
本教程以实际应用、工程开发为目的，着重介绍模型训练过程中遇到的实际问题和方法。如上图所示，在机器学习模型开发中，主要涉及三大部分，分别是数据、模型和损失函数及优化器。 PyTorch棋型训练实用教程 作者:余霆嵩

2020-10-04

Learning to learn with Gradients
元学习，也称为“学会学习”，旨在通过一些训练少量样本可以学习新技能或快速适应新环境的模型。

2020-10-04

(Statistical Learning Theory)notes
这是由斯坦福大学计算机系教授Percy Liang整理了一个统计学习理论笔记 6 Neural networks(skipped in class) 194 6.1 Motivation(Lecture 16

2020-10-04

机器翻译学术论⽂写作方法和技巧
机器翻译学术论⽂写作方法和技巧，帮助学习者更好的掌握。、

2020-10-04

机器学习500问()
通过问答的形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者 227计算图的导数计算图解?37 228线性判别分析(LDA)思想总结

2020-10-04

CVPR2018-2020下载
包含最新CVPR2018_2020下载链接

2020-10-04

JAVA 进制转换全攻略.docx
很好的Java进制转换文库对Java初学者可能有帮助特别是进制之间的转换

2015-07-26

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除