- 博客(145)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 写在前面
终于下定决心，记录自己要复习的知识，不知道能坚持多久，但无论怎样，总要尝试。路漫漫其修远兮，吾将上下而求索……写在这里，勉励自己。...
2018-06-04 11:14:37
770
11
原创 [论文阅读] |RAG评估_Retrieval-Augmented Generation Benchmark
RAG评估的benchmark_RGB
2024-01-28 16:12:18
1574
1
原创 日记 | 毕业
2022.5.19收到论文的评审意见之后，删掉了匿名封面，写完了致谢。可能是意识到马上要毕业了，心里有特别多不舍⭐⭐，所以想要安静地记录这份留恋和怀念。如果没有毕业典礼的话，就谨以此向我的本科和硕士学业生涯告别。虽然，选择读研是很早就有的想法，不过科研并没有期待中那么快乐，反而是有了很多需要自己面对的挑战；虽然疫情之下，没有办法跟以前的同学当面告个别，跟她们认真说声再见；一直封闭在学校也没能再去看看桃花堤和海河夜景，就要匆忙地走了……但我知道，等毕业之后，我肯定会很想念在天津的日子。看着自己的硕士毕业
2022-05-22 17:06:41
667
3
原创 [论文阅读] | Data Augmentation By Paring Sample & Mixup
分享两篇关于数据增广的论文：Paring Sample 和 Mixup
2022-04-01 16:06:16
468
原创 阅读 | 《不朽》米兰·昆德拉
写在前面：上半年的时候追 “奇葩说” ，阿詹(詹青云) 在辩题 “终其一生只是一个平凡的人，你后悔吗？”里化用了《不朽》的一句话——“人世间原本就有大的不朽和小的不朽，大的不朽是世人对你言必称名，那些陌不相识的人在你死后依然记得你，而小的不朽不过是爱你的人依然记得你”。然后就有了想看这本书的想法，有些拖延的我最近终于买到并开始看啦，于是就记录一下喜欢的段落吧~豆瓣里有一个帖子建议年轻的读者暂时不要看，发现我果然看不懂。不过也正是因为看不懂，才会更有思考的空间~ 第一部 脸我们身上.
2021-12-26 13:48:27
1764
原创 coding | 一点积累
写在前面：本篇用于记录日常coding中遇到的比较良好的编程习惯和心得，持续更新，希望可以逐渐提升自己的coding & debuging 能力~ 暂时以时间戳为单位，后续再整理呀！见贤思齐焉，加油！目录2021.12.21 Office 365激活踩坑2021.8.4 清晰表达自己的想法2021.7.7 文档和代码的备份2021.6.9 明确需求再写代码2021.12.21 Office 365激活踩坑一顿背景描述：18年12月我买到现在用的笔记本后安装是office2016，.
2021-12-21 13:52:40
475
原创 [论文阅读] | Self-Adaptive Training & label noise
写在前面：前段时间在学习关于噪声样本的处理，导师分享了两篇论文，其中一篇为Self-Adaptive Training。核心思想是，在线性组合预测标签和实际标注标签的基础上，进一步改进为训练过程中预测标签和实际标注标签的移动加权平均值。最初的一个疑问：训练数据中含有部分噪声样本，即喂给网络的数据有部分是错误的，那么网络是如何在这种情况下学习到噪声样本可能对应的正确标签呢？？？论文：Huang, Lang, Chao Zhang, and Hongyang Zhang. “Self-adapti.
2021-12-15 20:27:31
3923
原创 [论文阅读] | MobileNets & depthwise separable convolutions
写在前面：遇到不会的点，要督促自己及时查漏补缺。上周六涉及到深度可分离卷积，涉及到了我的知识盲区，于是昨天找了 MobileNets 相关的笔记和论文，重点在于理解可分离卷积的设计思想。本篇笔记更新记录：2021.12.15 整理可分离卷积、以及在其基础上建立的MobileNets的基本概念。目录1 整体思想2 巨人的肩膀——在轻量级模型领域的已有工作3 核心——深度可分离卷积3.1 标准的卷积运算3.2 深度可分离卷积4 总结1 整体思想出发点：在CV领域，一个研究趋势是神经网络层数越来.
2021-12-15 10:51:59
2973
原创 秋招小结 | 劝退的声音太多了，我想加一点鼓励
写在前面：“我的秋招还没开始时，身边就有同学劝退我，这段时间，听到的劝退的声音太多了（我也因为这些声音迷失过、纠结过）。所以我想给自己、给我博客的读者们加一点鼓励～”。整体思想：理智听从建议，遵从自己内心。目录个人情况几点必备（硬实力）心得体会（软实力）关于选择(与努力并行)一点祝福个人情况1.本硕专业为软件工程，研究方向为计算机视觉与图像处理（cv）。有计算机基础课程和深度学习方面的知识储备、三段cv领域学习和研究经验。2.目标:cv及其相关方向的工作（选择的原因放在本文最后）。&nb.
2021-12-02 12:00:26
1153
4
原创 Fluent Python | 函数装饰器、迭代器和生成器
写在前面：Fluent Python 系列是学习《Fluent Python》的笔记 ~这是一本适合Python进阶的书，不仅有一些高级语法，作者对部分底层实现也有讲解，以便于我们理解Python的设计，比如为什么普通字典是无序的呢？函数装饰器1 变量作用域2 闭包3 装饰器3.1 基本概念和写法3.2 装饰器何时执行3.3 标准库中常用的两个装饰器函数3.4 参数化装饰器4 小结1 变量作用域注意函数体内赋值的局部变量与函数体外同名全局变量  .
2021-10-12 22:08:02
373
原创 笔记 | leetcode算法题练习
写在前面：算法复习和练习主要是根据本科、研究生数据结构和算法课件以及作者“代码随想录”整理的刷题攻略。本篇博客记录自己的笔记。持续更新。。。“代码随想录”刷题攻略：https://github.com/youngyangyang04/leetcode-master很感谢这份教程，让我凌乱的刷题慢慢变得有序~动态规划 &n.
2021-10-12 15:57:39
240
原创 网课 | Andrew Ng 深度学习公开课——03 结构化机器学习项目
本节主要内容《深度学习公开课》第三部分 “结构化机器学习项目”主要是从数据和误差分析两个角度描述如何提升机器学习项目的准确率，然后讲述迁移学习和端到端的学习这两个常用方法的概念。整体思路为将机器学习算法应用到一个具体任务中时，可以尝试如下步骤：定义数据集和度量指标建立原始系统进行偏差、方差和误差分析根据分析结果确立下一步优化方向详细笔记 小
2021-10-02 20:58:10
224
1
原创 网课 | Andrew Ng 深度学习公开课——02 神经网络优化
02 神经网络优化本节主要内容思维导图课程笔记延伸阅读小结本节主要内容《深度学习公开课》第二部分 “神经网络优化”主要是介绍提升网络性能的技巧，包括具体的做法和原理：L2正则化、Dropout正则化、BatchNormalization、学习率衰减等；然后依次介绍常用的优化器的具体计算过程：GD、SGD、Batch GD、RMSprop、Adam；最后是参数优化技巧：网格搜索和随机搜索等。这章的很多的知识点既是网络调优过程中非常有用的技巧，也是面试中常问的点，例如：BN和dropout训练和测试的
2021-08-04 13:18:53
473
原创 网课 | Andrew Ng 深度学习公开课——01 神经网络和深度学习
01 神经网络和深度学习写在前面本节主要内容课程笔记小结写在前面“网课 | Andrew Ng 深度学习公开课”系列博客记录该公开课的学习笔记。这个公开课是我大三学年入门深度学习和计算机视觉时学过的课程，现在由于很多细节知识点有些遗忘，因此重新学习并整理了一下。网易云课堂购买并翻译了该课程的学习视频，链接如下：https://mooc.study.163.com/smartSpec/detail/1001319001.htm课程主要内容有：神经网络基础→\rightarrow→卷积神经
2021-06-22 10:59:07
691
原创 [HSI论文阅读] | SSRN：Spectral-Spatial residual network for HSI classification
写在前面论文：Z. Zhong, J. Li, Z. Luo and M. Chapman, “Spectral–Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 56, no. 2, pp. 847-858, Feb. 2018, doi:
2021-04-16 20:10:57
4425
19
原创 Deep Learning with Pytorch | Detection of lung cancer_Chapter12 Improving training
Chapter 12 Improving training with metrics and augumentation1 简介2 定义recall、precision、F1 socre3 数据集样本的分布情况4 过拟合和数据增广5 小结1 简介 在Chapter 11中，作者初步设计了一个三维卷积神经网络用于候选结节的分类（二分类问题：是否为真正的结节）。存在的问题是：分类模型虽然取得了不错的准确率，但是模型在正样本(是真正的结节)上的性能非常差，几乎是把所有的
2021-04-16 16:17:03
232
1
原创 Deep Learning with Pytorch | Detection of lung cancer_Chapter11 Classification model
1 简介Chapter11 为肺癌检测项目初步设计了一个简单的三维卷积神经网络模型，用于候选结节的分类。这是一个二分类问题，输入是Chapter 10构建的三维数组，输出要么是结节，要么不是结节。几个可以借鉴思考的点：关于三维卷积神经网络的设计由二维卷积模型到三维卷积模型，虽然只增加了一个维度，但参数量和设计的复杂度其实提升了很多。Pytorch中Conv.3d接受的数据输入格式为：(N,C,D,H,W)(N, C, D, H, W)(N,C,D,H,W)，需要注意C代表Channel, D代表
2021-04-09 21:51:59
266
原创 Deep Learning with Pytorch | Detection of lung cancer_Chapter10 Data processing
1 简介Chapter 10 完成肺癌检测项目的数据处理工作。分类模型的输入是：包含候选结节的三维数据块；输出是：判断是否为真正的结节，如果是则给出结节的坐标。因此数据预处理要完成以下工作：解析数据集给出的两个标注文件，得到用于分类的候选结节的信息，包括：(1)唯一标识ID(2)候选结节状态(是或不是真正的结节，对应正负样本)(3)候选结节的中心坐标(4)候选结节的直径加载CT扫描数据进行坐标轴转换(1)CT扫描的数据基于病人身体坐标，假设以肚子为原点，则肚子左右为X轴方向，
2021-04-08 13:46:23
220
1
原创 Deep Learning with Pytorch | Detection of lung cancer_Chapter9 Introduction the project
1 简介《Deep Learning with Pytorch》Chapter9-14构建了一个简单的肺癌检测(early detection of lung cancer)项目。数据：公开数据集的CT扫描数据(三维) →\rightarrow→人身体内不同物质（比如骨骼、组织、脂肪、空气、水等）含有不同的密度值，CT扫描可以获取这些物质的密度信息，根据密度值范围的不同则可以区分不同的物质。模型：基于三维卷积神经网络。我本人不是专门做医学图像处理研究的，但涉及过目标检测、三维图像处理、X-Ray预
2021-04-08 11:57:09
205
原创 [HSI论文阅读] | Deep Feature Extraction and Classification of Hyperspectral Images Based on CNNs
写在前面论文：Y. Chen, H. Jiang, C. Li, X. Jia and P. Ghamisi, “Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 10, pp. 6232-6251, O
2021-03-18 19:46:29
1454
11
原创 Deep Learning with Pytorch | Chapter6 Using a neural network to fit the data
本章重点：1. 介绍神经网络的基本概念，包括神经元的计算、构成多层神经网络、激活函数的作用等；2. 使用Pytorch构建一个简单的神经网络，使用Chapter5中温度转换的数据，主要内容为Pytorch中如何定义每层、如何定义损失函数。 Chapter6 Using a neural network to fit the data1 本章内容概览2 人工神经网络3 Pytorch 构建简单的神经网络nn.Module基本数据处理定义线性模型设置batch优化batch定义一个简单的神经网络4
2021-03-13 13:48:43
248
原创 [HSI论文阅读] | fast dense spectral-spatial convolution(FDSSC)network framework for HSI classification
写在前面本文整理对用于高光谱图像分类的FDSSC网络的学习笔记，如有错误，感谢指正~。更新记录⭐️ 2021.3.9 —— 总体思维导图，细节后续补充论文和代码如下：论文：Wang, Wenju; Dou, Shuguang; Jiang, Zhongmin; Sun, Liujie. 2018. “A Fast Dense Spectral–Spatial Convolution Network Framework for Hyperspectral Images Classificatio
2021-03-09 15:03:42
846
原创 [HSI论文阅读] | HybridSN: Exploring 3-D–2-D CNN Feature Hierarchy for Hyperspectral Image Classification
写在前面⭐️上周六导师说学院要一份研究报告小结，发现之前看过的很多论文笔记没带回家，果然及时整理成电子版的比较方便。⭐️本文整理的论文HybridSN于2020.2发表于IEEE Geoscience and Remote Sensing Letters，这篇论文最让我好奇的是，其测试准确率在高光谱公共数据集Salines Scence上达到了100%！与之前的模型SSRN相比，HybridSN以提升一个数量级的可训练参数为代价，进一步提升了准确率。前段时间把这篇论文又认真阅读了一次，并在Colab上运
2021-03-01 17:45:42
4884
24
原创 Deep Learning with Pytorch | Chapter5 The mechanics of learning
1 本章内容概览 2 从数据中学习本书中所说的“拟合”数据或者让算法从数据中“学习”：这个过程是指：给定一个函数(模型)，其参数未知，但可以从给定的数据中进行预测；从数据中学习假定底层的模型不是为了解决一个具体的问题而专门设计的，而是能够近似一系列的函数族；本书涉及的“模型”：并不是为了解决一个特定的问题而设计，而是在给定输入和输出对的情况下，能够针对许多相似任务中的任何一个进行自适应地具体化。学习的具体过程给定输入数据、对应的输出值(一般还称之为ground tr
2021-01-27 17:28:00
258
原创 Deep Learning with Pytorch | Chapter4 Real-wrold data representation using tensors
第四章主要内容：如何将视频、图片、文本等数据表达成tensor的形式，以适合于训练神经网络。(本文是原书第四章部分内容，个人侧重学习图像数据)。说明：（1）本章涉及到从磁盘读取相应的数据，因此代码里含有存储路径的位置都需要改成自己下载的数据对应的存储位置。（2）文中The Wine Quality dataset下载路径 Chapter4 Real-wrold data representation using tensors二维图像数据三维体数据表格数据今日分享二维图像数据图像
2021-01-18 19:54:07
199
原创 [论文阅读] | DenseNet
每一个安安静静或匆匆忙忙的日子，其实都熠熠生辉呢 ——August.H本文目录写在前面1. DenseNet设计思想2. DenseNet基本结构2.1 Dense Layer(每层最基本的运算HlH_lHl)2.2 Dense Blcok(多个Dense Layer连接形成)2.3 Transition Layer3. 基于ImageNet数据集的DenseNet结构4. 基于CIFAR数据集的DenseNet结构写在后面写在前面这周设计的网络结构是基于DenseNet的，由于采用的数据集图片.
2020-12-27 21:25:10
534
2
原创 Deep Learning with Pytorch | Chapter 3 It starts with a tensor
第三章主要介绍Pytorch中最基本的数据结构——tensor的使用方法：创建、运算、存储、与Numpy的互操作性等。Chapter 3 It starts with a tensor简介Tensor的定义索引命名类型存储元数据和连续性设备与Numpy的互操作性序列化练习简介神经网络通常是分阶段地学习数据从一种表达到另一种表达的转换，这意味着每个阶段的转换数据可以被看做是中间表达序列。例如在图像识别中，浅层的表达可以是边缘或者特定的纹理，而深层的表达可以捕获更加复杂的结构，如耳朵、鼻子和眼睛。
2020-10-05 21:45:43
351
原创 Deep Learning with Pytorch | Chapter 2 Pretrained networks
第二章主要介绍如何使用PyTorch加载预训练模型，包括预训练的残差网络、生成对抗网络和图像理解网络。 使用预训练模型的好处一方面是当我们没有足够的GPU支持时，可以使用别人已经预训练好的模型，如果恰好预训练采用的数据集包含我们自己需要解决的问题的数据，就可以直接使用自己的图片进行预测。个人入门深度学习是需要解决视频行人检测的问题，但由于没有GPU的支持，只能使用Google已经预训练好的行人检测模型(SSD和Faster RCNN)，恰好预训练的数据集包含行人这类样本，所以当时根本就不需要再重新
2020-09-23 22:31:33
407
原创 Deep Learning with Pytorch | Chapter 1 Introduction deep learning and the PyTorch Library
最近需要使用PyTorch搭建模型，由于时间上比较宽松，所以找了本书学习了一下PyTorch的基本知识作为入门。选的书籍为《deep learning with pytorch》，这本书总体上分为三个部分： 第一部分介绍PyTorch的基本知识：预训练模型、基本数据结构、搭建神经网络、建立卷积神经网络；包含章节为 Chapter 1——Chapter 8； 第二部分使用Pytorch解决一个具体的问题：肺癌检测；包含章节为 Chapter 9——Chapter 14； 第三部分包含单独的章节——
2020-09-22 17:51:15
234
原创 随笔 | 五楼西区17架b面1列3层
昨晚跟某人聊起图书馆，一下子勾起了好多回忆。悠悠北洋，书海无疆，理一理身旁旧事，别往我来时模样。每天晚上闭馆音乐响起的时候，都会自己碎碎念一句，男生版本的似乎更好听一点hhh，然后收拾好自己的书包下楼刷卡离开，戴好围巾准备迎接图书馆外面呼呼的妖风，刷卡的时候顺带看一眼当天的入馆人数。最后一次在图书馆借的书应该是《人性的弱点》，那是快毕业的时候，最终没来得及看完就归还了。手机备忘录里还保存着之前看过的书的架位信息。“五楼西区17架b面1列3层”，不知道《我们仨》还在不在这个位置。当时每借一次书，就要吐
2020-08-10 11:14:11
857
9
原创 [论文阅读] | Graph U-Nets
Gao, H., & Ji, S. (2019). Graph u-nets. arXiv preprint arXiv:1905.05178.最近导师说汇报英文论文的时候，PPT也相应做成英文的；给大家展示自己阶段性学习成果的时候，要尽量在自己理解的基础上讲的简单易懂。于是，尝试一下用英文表达这段时间对graph U-Nets的理解。1 IntroductionWe know that U-Nets can be applied on image pixel-wise predicit.
2020-08-04 15:49:00
1198
原创 [论文阅读] | Semi-supervised classification with GCN(侧重Cora数据集)
写在前面本文比较适合基本了解GCN中图卷积运算的读者，即H(l+1)=σ(D~−1/2A~D~−1/2HlWl)H^{(l+1)}=\sigma(\tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2} H^l W^l)H(l+1)=σ(D~−1/2A~D~−1/2HlWl)，这个公式的出处为论文[1]。因为我是在阅读其他论文(采用的GCN与[1]相同)的时候发现，上述公式对应的图卷积运算只适用于处理无向图，但实验使用的引文网络数据集Cora、Citeseer和Pubmed理
2020-07-29 17:31:49
1106
4
原创 [论文阅读] | 机器学习中的双层规划问题(Bilevel Programming)
1. 引言 最近看的论文涉及到了双层规划问题的求解，双层规划问题其实是一种特殊的优化问题。考虑这样一个场景，我们国家建设了很多铁路，站在国家的角度，一定程度是要最大化铁路的收益；而铁路的收益离不开使用者的消费，也就是我们普通人在出行时需要买票，那么站在个人的角度，一般情况下我们是会选择费用最低的出行方案。那么如何在保证普通人消费最低的情况下实现总体铁路收益最大化呢？ 双层规划问题就是指这种优化问题：目标函数中的一组变量被约束为另一优化问题的最优解；更简单来说，就是一个优化问题的参数受限于另外一个
2020-07-24 15:34:10
16568
8
原创 Tensorflow1.x | 学习笔记整理2--简单全连接层实现非线性回归(代价函数、dropout、优化器)
Tensorflow1.x 系列为个人入门Tensorflow1的简要笔记，最近学习的论文涉及到了bilevel program和hypergradient的求解，对应的代码基于Tensorflow1实现，因此根据视频教程学习了解一下Tensorflow。视频课程链接：https://www.bilibili.com/video/BV1wJ411T77b?p=15跟着视频课自己写的代码，使用Colab(https://colab.research.google.com/)tips:不同版本的Ten.
2020-07-14 17:53:48
1369
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人