qq_43557445的博客

原创 13-19年复旦大学计算机学院研究生复试机试题

（不保证代码完全正确，自己敲的可能存在不完善的地方，请各位大佬发现后指出，谢谢！）2019上机题1、题目：输入日期格式：YYYYMMDD，求与 20190205 相隔的天数。输入：20190208输出：3解析：运用Java的日期类来解决。import java.util.*;import java.math.*;import java.text.*;public ...

原创 【leetcode刷题】剑指 Offer（第 2 版）

无

原创 【leetcode刷题记录（二）】

无

原创 【leetcode刷题记录】

刷题记录

原创 Leetcode刷题总结（三）

1、不用加号的加法思路：不能用算术运算符，因此考虑位运算来实现加法。class Solution {public: int add(int a, int b) { int sum=0; int carry = 0; while(b!=0) // 当进位为0，说明计算结束 { sum = a ^ b; // 异或计算未进位部分 carry = (uint32_t)(a &

原创 【算法题类型总结】

一、旋转数组问题旋转数组，都用二分法的思路解决。1、轮转数组思路：这是408里面经典的一道题目，主要考虑用3次翻转操作，实现空间复杂度O（1）。class Solution {public: void rotate(vector<int>& nums, int k) { int len = nums.size(); k = k%len; // 这里取模，因为有可能k会大于数组长度 int res = len

原创 Leetcode刷题总结（二）

1、序列化二叉树思路：这里把一颗二叉树转换成一个序列，再将序列转换成树。那这里只有一个序列，不存在先+中确定唯一二叉树的情况，因此这里要借助层序的关系，从上到下将节点保存，并保存空节点。这里比较麻烦的是，对字符串的处理，因为要考虑“，”。可以将得到的字符串，先去掉“，”，那么此时留下的都是节点。/** * Definition for a binary tree node. * struct TreeNode { * int val; * TreeNode *left; *

原创 leetcoder刷题总结（一）

一、1518、 换酒问题小区便利店正在促销，用 numExchange 个空酒瓶可以兑换一瓶新酒。你购入了 numBottles 瓶酒。如果喝掉了酒瓶中的酒，那么酒瓶就会变成空的。请你计算 最多 能喝到多少瓶酒。解法：假设有B个酒瓶，那一定会有B个空瓶，每次用C个空瓶去换一瓶新酒，那空瓶数量++，喝到酒的数量++。直到最后空瓶的数量少于C，即不能兑换新酒了。class Solution {public: int numWaterBottles(int numBottles, int

原创 【笔记】相机成像与相机响应函数

一、相机成像过程拍摄对象反射回来的光线（场景辐射度）通过相机的镜头转换为传感器辐射度，传感器辐射度通过快门的通电作用转化为传感器曝光度。这是光学变化过程。传感器上的感光器件受到光照激发释放出电荷产生电信号。电信号经过放大和滤波后再进行模数转换得到数字信号，即图像数据。这些数据经过信号处理器进行相应的处理后存储为图像文件得以输出。这是电子成像部分，亦即相机响应过程。二、相机响应函数相机响应函数（CRF）就是传感器上曝光度III与图像亮度值MMM之间的映射关系：也就是这个曲线图横坐标：真实亮度

转载 【笔记学习】小波变换

https://zhuanlan.zhihu.com/p/44215123转载一、图像处理总览对于图像处理，不管是压缩、滤波等，本质都是在变换。那变换什么东西——基向量，basis。那么不同对基向量的处理，就会产生不同的变换。二、小波变换在图像处理中的应用1、去噪小波去噪是利用小波变换中的变尺度特性对确定信号具有一种“集中”的能力，当图像信号的能量集中于少数小波系数上，那么这些系数的值必定大于能量分散的大量噪声小波系数值。只要选取适当的阈值，舍去绝对值小于阈值的小波系数，就可实现图像的降噪。

转载 【学习笔记】Transformer

一、Transformer结构Transformer模型，由6个Encoder和6个Decoder组成，输入和输出通过同一个训练好的词嵌入层（Word Embedding）将输入字符转换为维度d的向量。1、EncoderTransformer对编码器（Encoder）与解码器（Decoder）两端的序列分别添加位置编码（Positional Encoding）。之后，编码经过含有多头自注意力机制（Multi-head Self-Attention）、位置前向传播网络（Position-wise Fe

原创 【笔记学习】Non-local neural networks

一、local和non-local1、locallocal是针对感受野来说的。在卷积操作中，它的感受野大小是卷积核大小。它们只考虑局部区域，因此都是local运算。同理，池化操作也是。2、non-local根据上面对于local的理解，对于non-local，也就是指感受野可以很大，而不是一个局部的。全连接就是non-local的，也是global的。但是全连接参数太多，导致优化困难。3、为什么要用non-local？卷积层的堆叠可以增大感受野，但是特定层的卷积核在原图上的感受野是有限的。

原创 【图像评价指标】PSNR和SSIM

一、PSNR（峰值信噪比）给定一个大小为m x n的清晰图像I和噪声图像K，均方误差MSE为：则PSNR（dB）定义为：其中MAXI2MAX^2_IMAXI2​为图像可能的最大像素值。如果像素由8位二进制表示，则为255。上面是针对灰度图像的计算方法，如果是RGB三通道图像：分别计算RGB三个通道的PSNR，然后取平均值计算RGB三通道的MSE，再除以3将图片转化为YCbCr格式，然后只计算Y分量（亮度分量）的PSN二、SSIM（结构相似性）SSIM是比较亮度、对比度和结构三个指标

原创 【笔记】傅里叶变换DFT

傅里叶变换DFT一、DFT作用可以将信号从时域变换到频域，而且时域和频域都是离散的。也就是说，可以求出一个信号由哪些正弦波叠加而成，求出的结果是这些正弦波的幅度和相位。二、为什么可以求出正弦波的幅度？把一个待检测的信号波，乘以另一个信号波，得到新的信号波。再把新的信号波所有点相加，从相加结果判断这两个信号的相似程度。a,b是待检测信号，c,d是3个周期的正弦波。e=ac，发现e的各点相加值为正数，说明a含频率为3的正弦波；f=bd，发现相加结果为0，说明b不含有周期为3的正弦波。DFT将

原创 【FPN】特征金字塔

目的：能够处理任意输入大小的图片一、介绍总所周知，识别尺寸差异很大的物体是计算机视觉所面临的基本挑战之一。因此提出了几种解决方法：1、通过图像金字塔来构建不同尺度的特征金字塔优点：1）对每一种尺度的图像进行特征提取，能够产生多尺度的特征表示，并且所有等级的特征图都具有较强的语义信息，能有助于识别缺点：1）推理时间大幅增加；2）占用大量内存3）如果只在测试时候用图像金字塔，就会导致网络只针对某一个特定的分辨率进行训练。2、常见的目标检测网络利用单个高层特征图来进行预测。3、金字塔

原创 注意力机制的理解（借鉴）

一、Encoder-Decoder框架如图是在文本处理领域的Encoder-Decoder框架。Encoder：对输入句子进行编码，通过非线性比变换转化为中间语义表示CDecoder：根据中间语义C和之前的历史信息，生成输出语句每个yi都是依次产生的。二、Soft Attention模型上图中展示的Encoder-Decoder框架是没有体现出"注意力模型"的，可以看作是注意力不集中的分心模型。从单词生成的过程中，可以发现无论生成哪个单词，都用到C，没有区别。而语义编码C是原句子经过

转载 【多尺度融合】

多尺度融合

转载 反卷积、转置卷积、上采样

反卷积、转置卷积、上采样

原创 【pytorch笔记】随便随便

一、loss.backward()这个函数就是计算图中叶子节点有关的当前张量的梯度。1、retain_graph=True参数由于模型中需要多次backward()，后一次backward()都会清空前一次backward()存储在buffuer中的梯度，因此需要retain_graph=True，让前一次梯度保存，直到更新完成。【注】不要每次backward()都使用retain_graph=True，因为这样会使得内存被占用，越来越慢，最后一次backward()就不需要retain_graph

转载 【jupyter notebook】错误汇总

1、多次安装/卸载虚拟环境，导致Python环境错误解决：https://blog.csdn.net/weixin_30361641/article/details/99763637?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogC

转载 【转载】tensorflow-gpu安装

https://blog.csdn.net/godot06/article/details/105653450

原创 目标检测算法总结

一、基于候选区域的目标检测器滑动窗口检测器根据滑动窗口从图像中剪切图像块，把图像块处理成固定大小。随后输入CNN分类器中，提取特征。最后使用SVM分类器识别种类，并且用线性回归器得到边框。选择性搜索selective search首先将每个像素作为一组。然后，计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，我们首先对较小的组进行分组。我们继续合并区域，直到所有区域都结合在一起。R-CNNR-CNN 利用候选区域方法创建了约 2000 个 ROI。这些区域被转

原创 YOLO总结

原创 tomcat+eclipse+mysql环境搭建

一、java和jdk安装1、jdk解压安装在C盘中2、新建环境变量名：JAVA_HOME，变量值：C:\Program Files\Java\jdk-14.0.23、在Path变量中，点编辑，再添加变量值：%JAVA_HOME%\bin4、测试：在cmd中，输入java，有东西则成功二、Tomcat安装1、从官网：http://tomcat.apache.org/download-70.cgi中，下载Tomcat。选择Core下的，64位win版本。2、新建环境变量名：CATALINA_H

转载 Faster R-CNN转载学习

1、简单介绍2、源码介绍3、数据解析4、VGG5、RPN6、RPN训练数据一7、RPN训练数据二8、

原创 【轻量化网络】ShuffleNet 和 MobileNet

ShuffleNet、MobileNet在算法层面有效的压缩存储和计算量。一、Group convolution假设有输入feature map，大小为H x W x C，用k个h x w大小的卷积核去进行卷积运算，输出H’ x W’ x k。（不关心H’ 和 W’）而Group convolution的实质就是将convolution分为g个独立的组，分别进行计算。这里g=2。把输入的特征图分为g组，每组H x W x (C/g)把卷积核也分为g组，每组h x w x (k/g)按顺

原创 【吴恩达深度学习课程笔记】卷积神经网络

卷积神经网络一、垂直边缘检测1、示例首先考虑，如何检测出两个物体的中间间隔，这样能够把两个物体分开。示例，输入一张6 x 6的图片（左边数值高就亮，右边数值低就灰暗），用3 x 3的卷积核去做卷积（左边是亮色，右边是深色），得到特征图（刚好中间数值高，就说明中间有间隔存在）。这里可能发现中间间隔太宽了，这是因为原图太小了，如果足够大（1000 x 1000），则得到的间隔就很细了。【注...

原创 【深度学习】Resnet详细笔记！！

Resnet一、残差块结构Resnet使用了一种连接方式叫做“shortcut connection”。图中过程：x输入，经过第一层+relu得到σ(W1x)\sigma(W_1x)σ(W1​x)，再经过第二层得到输出F=W1∗σ(W1x)W_1*{\sigma(W_1x)}W1​∗σ(W1​x)。然后右边x通过shortcut，与输出F相加，得到最后输出y=F+x。（此时输入和输出维数相...

原创 【CNN】卷积神经网络笔记笔记

卷积神经网络卷积神经网络是如何进行工作的呢？通俗来讲，就是以下的工作流程：一、图片如何转化为像素矩阵（如何用数字来表示图片呢）首先Image.open（）来打开一幅图像，然后调用numpy中的array（）函数就可以将PIL对象转换为数组对象。img=np.array(Image.open(‘d:/lena.jpg’)) #打开图像并转化为数字矩阵如果是RGB三通道图像，转化为...

原创 【机器学习笔记】人工数据合成

人工数据合成人工数据合成主要有两个方法。一、从零开始创建数据二、已有数据集，进行扩充可以对图片等添加噪声，或者图片变形、引入失真等。三、上限分析例如照片OCR，对于一个系统由几个部分组成。首先是求出整体系统的准确率，然后逐步让每个部分表现最好，得出此时的准确率，这样就能发现我改进谁，谁就能最大限度的提升整体系统性能。可以看出，1-2提升了17，2-3提升了1，3-4提升了10。因...

原创 【机器学习笔记】照片OCR

照片OCR照片OCR就是想要读取图像中的文字，因此工作流程如下：1、文本检测2、字符切割3、字符识别一、首先来看文本检测——滑动窗口1、先学习行人检测的思路。1）首先要确定检测框的尺寸8040拿到一个数据集，训练出一个分类器，能够判断8040的图像内有没有行人。2）对于输入一张图片，从图片左上角开始划一个检测框，送入分类器识别是否有行人；再根据步长来移动检测框，直到划过了整...

原创 【机器学习笔记】学习大数据集

学习大数据集一、随机梯度下降首先来看批量梯度下降：然后对所有样本同时进行更新参数（注意求和的标记），对于随机梯度下降定义：过程：1、随机打乱数据集2、遍历每个样本1…m，分别对每个样本进行参数更新（后面部分是每个样本cost对Θ\ThetaΘ的偏导，不是总体训练误差的偏导）【注意】这里和批量梯度下降不同，这里是对每个样本进行更新，而不是所有样本同时更新。就避免爆内存。也就...

原创 【机器学习笔记】推荐系统

推荐系统一、什么是推荐系统学习用户的轨迹，然后推荐用户尚未用过的，但是可能喜欢的东西。二、基于内容的推荐算法对于一个电影网站，有若干用户对几部电影的评分，现在想要预测用户对没看过电影的评分。那么基于内容的推荐算法，意思就是我们现在已经知道电影的特征向量，然后用来拟合用户的喜爱曲线，来预测用户评分。参数：r(i,j)=1r(i,j)=1r(i,j)=1，表示用户iii评价过电影jjj...

原创 【机器学习笔记】异常检测

异常检测异常检测问题：已给出m个样本是正常或异常的，然后对于一个新的样本，要判断新样本是正常还是异常的。因此就是给定一个无标签的训练集，然后对训练集的某些特征建模，对于新样本的概率输出小于阈值，就认为是异常的（说明这个点出现的概率很低）。一、使用高斯分布来构建异常检测算法1、选择一些特征，这些特征能用来帮助我们挑选出异常的样本。然后给出数据集x1x^1x1、x2x^2x2、x3x^3x3…...

原创 【机器学习笔记】PCA降维

降维降维也是一种无监督学习问题。当有很多特征时，有一些特征会是冗余的，可以转化为更少的特征。也可以用降维来压缩数据，减少内存空间。一、数据压缩把3维的数据，映射到一个平面上，就转化为了2维的数据。二、可视化数据对于一个高达50维特征的数据集，我们不能直观地去绘制图像来观察数据，这时候就可以应用降维。这时候可以将50维->2维，那就要用这2维特征来概括50维。例如一个国家的特征...

原创 【机器学习笔记】k-means算法

K-means算法k-means是一种无监督的聚类算法，也就是不给标签，算法自动来进行分类，最终分成K个簇。一、算法过程输入：K（簇的个数），训练集（无标签的样本集合）输出：K个簇（K应该比样本数量小）1、随机初始化K个均值向量（代表K个簇的中心），可以随机选取K个训练样本作为初始均值向量。2、开始循环：1）对每个样本进行遍历，对于某一个样本xix_ixi​，分别求出到K个均值向量的...

原创 【机器学习笔记】如何改进算法性能

通常改进算法性能有以下几种方法：1、增加数据但是有更多的数据不一定能获得更好的效果。2、选用更少的特征来防止过拟合。3、选用更多的特征也许特征不足，会导致欠拟合。4、增加额外的多项式特征例如x12，x1，x2x_{1}^{2}，x_1，x_2x12​，x1​，x2​等5、尝试减少正则化参数λ\lambdaλ6、尝试增大正则化参数λ\lambdaλ但是我们需要知道在什么情况下选...

原创 【机器学习笔记】神经网络

神经网络一、非线性假设对于之前的线性回归等，一般特征数比较有限，可能只有几个，但是对于神经网络来说，特征数可能有上百万个。比如一副5050的RGB图像，它的像素点有5050*3个，这些都是特征值。因此用线性回归、Logistic回归并不能很好的解决这样的问题，因为特征太多了。因此采用神经网络，可以很好的应对这些特征很多的特征空间。二、神经元以下是一个神经元的基本结构：在这幅图中，神经...

原创 【机器学习笔记】正则化

正则化1、过拟合第一张图称为**“欠拟合”（高偏差），就是学的不够好，和实际相差比较远。第二场图是刚好拟合，且曲线平滑，认为是比较理想的模型。第三张图称为“过拟合”（高方差）**，就是学的太好，以致于曲线过于扭曲。过拟合的出现是由于变量太多（特征太多），样本数太少，在计算loss时，loss近似等于0，此时模型能够很好的拟合训练样本，但无法对新的样本由很好的泛化能力。2、如何解决过拟...

原创 【机器学习笔记】多分类问题

多分类Multiclass classificationovr：也就是一对多，对于N个类别，进行N次划分，每次挑选1个为正类，其余N-1个位反类，这样就相当于采用了N次二分类。在预测时，对于输入的预测样本x，这N个分类器都能求出预测概率，然后找出概率最大的那个分类即认为是预测样本x的类别。...