1 weixin_45963617

尚未进行身份认证

我要认证

暂无相关简介

等级
TA的排名 19w+

Git下载安装及设置

一、安装前准备  1. 廖雪峰老师Git教程 :推荐Git入门教程。  2. 按照自己的系统版本下载Git软件,我的操作系统:Windows7 64位,安装版本为Git-2.18.0-64-bit.exe(截至2018.8.27最新版本)。  Git下载地址:国外网站,可确保为最新版本。二、安装过程  1. 下载完成后,双击下载好的软件开始安装,出现如下对话框  2. 点击Next,默认选项和图中不一样,建议按照图中修改,Git Bash Here和Git GUI Here可以方便的在任意目

2020-08-02 22:31:01

win10+Anaconda下安装pytorch

参考:https://blog.csdn.net/qq_38704904/article/details/951928565、验证安装是否成功在当前环境下输入:进入pythonpythonimport torchimport torchvision打印版本print(torch.version)退出pythonexit()退出pytorchconda deactivate————————————————版权声明:本文为CSDN博主「星尘亦星辰」的原创文章,遵循CC 4.0 BY-

2020-08-02 11:30:05

PermissionError: [Errno 13] Permission denied

错误PermissionError: [Errno 13] Permission denied错误原因权限错误:[errno 13]权限被拒绝:错误产生的原因是文件无法打开,可能产生的原因是文件找不到,或者被占用,或者无权限访问,或者打开的不是文件,而是一个目录。解决方案解决方案如下:1.检查对应路径下的文件是否存在,且被占用。如果文件不存在,就找到对应文件即可;如果文件存在,被占用,将占用程序暂时关闭。2.修改cmd的权限,以管理员身份运行。3.检查是否是打开了文件夹。...

2020-07-26 15:49:03

python数据存储:pickle模块

在机器学习中,我们常常需要把训练好的模型存储起来,这样在进行决策时直接将模型读出,而不需要重新训练模型,这样就大大节约了时间。Python提供的pickle模块就很好地解决了这个问题,它可以序列化对象并保存到磁盘中,并在需要的时候读取出来,任何对象都可以执行序列化操作。Pickle模块中最常用的函数为:(1)pickle.dump(obj, file, [,protocol])函数的功能:将obj对象序列化存入已经打开的file中。参数讲解:obj:想要序列化的obj对象。file:文件名称。

2020-07-25 13:08:13

python读写txt文件时出现的一个小问题——覆盖

python读写txt文件时出现了一个小问题,每次写完只有一行数据,后来查到是因为之前的值被覆盖掉了。1.文件的读取步骤:打开 – 读取 – 关闭>>> f = open('/tmp/test.txt')>>> f.read()'hello python!'>>> f.close()2.文件写入(慎重,小心别清空原本的文件)步骤:打开 – 写入 – (保存)关闭直接的写入数据是不行的,因为默认打开的是’r’ 只读模式>>

2020-07-23 16:00:33

python TypeError: ufunc ‘subtract‘ did not contain a loop with signature matching types dtype(‘S32‘)

出现这类问题是因为类型不匹配,通过str()、int()转化为对应的类型,可以参考这篇文章https://blog.csdn.net/u012005313/article/details/51567804

2020-07-23 15:42:07

ET读取xml

ET读取xmlimport xml.etree.ElementTree as ET----------导入xml模块root = ET.parse(‘GHO.xml’)------------------分析指定xml文件tree = root.getroot()-----------------------获取第一标签data = tree.find(‘Data’)--------------------查找第一标签中’Data’标签for obs in data:---------------

2020-07-23 10:57:43

Matplotlib is currently using agg, which is a non-GUI backend, so cannot show the figure.

解决方法:1、安装 tk-dev 和 python3-tksudo apt-get install tk-devsudo apt install python3-tk2、修改 matplotlibrc 文件sudo geidt ~/…/lib/python3.6/site-packages/matplotlib/mpl-data/matplotlibrc搜索:#backend : Agg替换为: backend : TkAgg3、如果需要,重新安装 matplo

2020-07-21 11:36:43

spyder无法显示绘图

问题spyder 4中IPython 控制台出现“图表现在默认显示于绘图窗格上。要想让其也在中断行中显示,请在绘图窗格选项菜单”提示。解决办法工具(Tools)/偏好设置(Preferences)/IPython 控制台(IPython console)/绘图(Graphics)/图形的后端(Graphics backend)/后端(Backend)/自动(Automatic)或行内(Inline)。重启IPython 控制台(IPython console),再运行程序即可生成图。...

2020-07-20 17:20:28

AttributeError: module ‘labelme.utils‘ has no attribute ‘draw_label‘

问题:批量转换json文件时,出现File “C:\Users\z\Anaconda3\envs\labelme\Scripts\labelme_json_to_dataset.exe_main_.py”, line 7, in File “c:\users\z\anaconda3\envs\labelme\lib\site-packages\labelme\cli\json_to_dataset.py”, line 94, in main lbl_viz = utils.draw_label(lbl,

2020-07-20 17:13:02

西瓜书:LLE推导

所谓LLE(局部线性嵌入)即”Locally Linear Embedding”的降维算法,在处理所谓流形降维的时候,效果比PCA要好很多。首先,所谓流形,我们脑海里最直观的印象就是Swiss roll,在吃它的时候喜欢把它整个摊开成一张饼再吃,其实这个过程就实现了对瑞士卷的降维操作,即从三维降到了两维。降维前,我们看到相邻的卷层之间看着距离很近,但其实摊开成饼状后才发现其实距离很远,所以如果不进行降维操作,而是直接根据近邻原则去判断相似性其实是不准确的。LLE的降维实现过程,直观的可视化效果如下图1所

2020-07-18 15:28:39

西瓜书:PCA数学推导

一、PCA降维过程只需对协方差矩阵X*transpose(X)进行特征值分解,将求得的特征值排序:λ1>=λ2>=…>=λd,再取前d’个特征值对应的特征向量构成W=(w1,w2,…,wd’),这就是PCA的解。西瓜书中的PCA算法如下:需要说明的是,算法中的向量为列向量。假设原始维度为d,样本数目为m,因此特征矩阵X的维度为d×m,W的维度为d×d’。降维的时候,transpose(W)*X得到 d’×m的矩阵,它的每一列,即为降维后的向量。二、PCA优化目标与求解1.PCA

2020-07-18 11:28:50

EfficientDet: Scalable and Efficient Object Detection

记录一下,方便复习

2020-07-15 17:24:50

EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks

一、Introduction先前的工作中,通常只缩放深度、宽度和分辨率中的一个,尽管可以任意缩放二维或三维,但任意缩放需繁琐的手动调整,且常产生次优的精度和效率。不像传统的做法是任意缩放这些因素,我们统一缩放网络的深度、宽度和分辨率与一组固定的比例系数。例,如果我们想用2^N倍的计算资源, 那么网络深度将增加α^N, 宽度增加β^N , 分辨率将增加γ^N,其中,α, β, γ是在原始小模型上通过小网格搜索确定的常数系数。二、复合模型缩放1.问题描述卷积网络的某一层i可由函数Yi = Fi(Xi)

2020-07-15 17:18:49

channel pruning for accelerating very deep neural networks

一、Introduction1.cnn加速主要分为三类:optimized implementation 优化实现、quantization量化、structured simplification结构化简化(本文)2.structured simplification结构化简化主要包括三种方法:(1)张量分解:将卷积层分解为几个有效的卷积层,但通道数不能减少,这使得网络很难分解为1 × 1卷积层,这种方法会带来额外的计算开销。(2)稀疏连接:使神经元或通道间的连接失效,且具有“不规则”的形状,不

2020-07-15 16:38:37

CBNet--一种新的目标检测的复合骨干网体系结构

一、Introduction一般来说,在一个典型的基于CNN的目标检测器中,使用主干网络来提取检测对象的基本特征,该网络通常是为图像分类任务而设计的,并在ImageNet上预训练。毫无疑问,更强大的主干网可以带来更好的检测性能。尽管最先进的基于深度的大骨干网络的探测器取得了很好的结果,但仍有很大改进空间。此外,通过设计一个新的更强大的主干网络并在ImageNet上预训练来获取好的检测性能是十分昂贵的。且由于几乎所有现有的主干网络最初都是为图像分类而设计的,直接使用它们来提取目标检测的基本特征可能会导致性能

2020-07-14 21:22:58

神经网络压缩--Deep Compression

Introduction神经网络功能强大。但是,其巨大的存储和计算代价也使得其实用性特别是在移动设备上的应用受到了很大限制。所以,本文的目标就是:降低大型神经网络其存储和计算消耗,使得其可以在移动设备上得以运行,即要实现 “深度压缩”。实现的过程主要有三步:(1) 通过移除不重要的连接来对网络进行剪枝;(2) 对权重进行量化,使得许多连接共享同一权重,并且只需要存储码本(有效的权重)和索引;(3) 进行霍夫曼编码以利用有效权重的有偏分布;具体如下图:Network Pruning“剪枝”

2020-07-11 15:26:48

Anchor-free系列——Bottom-up Object Detection by Grouping Extreme and Center Points

1 Abstract随着深度学习的发展,目标检测问题已经从一个由下到上的问题转变为一个由上到下的问题。(下文有详细介绍)当前最先进的目标检测算法首先枚举密集的目标可能存在的位置,然后对每一个位置分类判断是否存在目标,是前景还是背景。在本文中,作者认为,从下到上的方法仍然能够取得很好的性能。利用关键点预测网络预测四个极值点(最顶部、最左侧、最底部、最右侧)和一个中心点共五个关键点。如果五个关键点是几何对齐的,我们将它们分组到一个bounding box中,那么,目标检测问题就转化为一个纯的关键点估计问题,而

2020-07-09 22:56:11

Anchor-free系列——CornerNet: Detecting Objects as Paired Keypoints

这篇发表在ECCV2018上的目标检测文章给人一种眼前一亮的感觉,简单说一下几个比较吸引我的点:1、将目标检测问题当作关键点检测问题来解决,也就是通过检测目标框的左上角和右下角两个关键点得到预测框,因此CornerNet算法中没有anchor的概念,这种做法在目标检测领域是比较创新的而且能够取得不错效果是很难的。2、整个检测网络的训练是从头开始的,并不基于预训练的分类模型,这使得用户能够自由设计特征提取网络,不用受预训练模型的限制。3、文章使用了corner pooling来定位角点。我们知道目前大

2020-07-09 15:45:51

Anchor-free系列——FoveaBox: Beyond Anchor-based Object Detector

一、IntroductionR-CNN和Fast R-CNN等使用selective search方法生成1K~2K个与类别无关的region proposal来进行目标检测,后来使用RPN替代selective search,RPN与object detection network共享卷积层,节省了大量选择候选区域的时间,且anchor做多尺度和长宽比的参考,避免了枚举多个尺度的信息。从那时起,anchor被广泛用作现代目标检测框架中搜索ROI的通用组件。然而,anchors的使用也有一些缺点。首先,

2020-07-08 16:25:49

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv2
    勤写标兵Lv2
    授予每个自然周发布4篇到6篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。