- 博客(131)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 Pytorch训练模型模型转Onnx推理模型及推理测试（通用全流程）
把 PyTorch 模型转换成 ONNX 模型时，我们往往只需要轻松地调用一句torch.onnx.export就可以了。这个函数的接口看上去简单，但它在使用上还有着诸多的注意事项。
2023-09-22 14:41:23
3258
原创 考研笔记之数据结构之线性表（严蔚敏版）
顺序表的定义顺序表的特点为表中元素的逻辑顺序与物理顺序相同。sizeof(数据类型)：数据元素所占用的存储空间的大小起始位置为LOC(A),第i个元素为LOC(A)+(n-1)*sizeof(数据类型)线性表的初始化静态分配使用静态数组大小确定无法改变#define MaxSize 10typedef struct { ElemType data[MaxSize]; int length;}mystruct;ElemType:是一个抽象的数据类型，表示我们想使用的所有数据
2022-05-16 15:48:29
437
原创 还不会使用torchserve部署yoloV5模型？（不使用Docker）
环境简介操作系统centos8conda管理的python3.8(此处建议使用python3.8)；JDK11（openJDK，Oracle JDK）其他相关的python库（torch,cv2,numpy等等）环境配置Java环境配置JDK下载Oracle JDK11下载官网配置环境变量 （这里使用的源码安装）sudo vim /etv/bashrc然后将下面的环境变量添加到末尾export JAVA_HOME=（您的 JDK 路径）export CLASSPATH=.
2022-04-30 14:54:40
3819
原创 快来体验一下，让你的浏览器焕然一新
好插件·用户造，CSDN寻找最佳产品体验官 |有奖征文赛进行中…你是不是厌倦了传统浏览器UI的杂乱排序？想不想让你的浏览器像桌面一样可以自定义？插件下载链接:https://plugin.csdn.net/兼容主流的浏览器（谷歌，火狐，微软等浏览器！）注意：此处如果添加不了插件，需要手动添加：在谷歌浏览器上输入网址：chrome://extensions/将插件文件拖入网页浏览器焕然一新，感觉浏览器的界面像操作系统一样优点：支持多个搜索引擎貌似好像有GitHub加
2021-12-16 21:00:50
2216
1
原创 我的Go+语言初体验——GoPlus基础语法学习
Go Plus的安装见博文Go&Golus的安装兼容Go的特性（包括部分支持 cgo ）在GoPlus中用到的Go基础，具体应用到的基础如下数据定义布尔型布尔型的值只可以是常量 true 或者 false。一个简单的例子：var b bool = true。数字类型整型 int 和浮点型 float32、float64，Go 语言支持整型和浮点型数字，并且支持复数，其中位的运算采用补码。字符串类型:字符串就是一串固定长度的字符连接起来的字符序列。Go 的字符串是由单个字节连接起来
2021-12-04 19:53:09
932
原创 决策树——示例加源码讲解
1 概述1.1 决策树是如何工作的决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。我们来简单了解一下决策树是如何工作的。决策树算法的本质是一种图结构，我们只需要问一系列问题就可以对数据进行分类了。比如说，来看看下面这组数据集，这是一系列已知物种以
2021-11-29 11:48:23
1197
1
原创 Meta Learning(元学习)详解
元学习概述基本概念基本分类基本流程模型结构概述元学习（Meta Learing）的提出是针对传统神经网络 模型的泛化性能不足、对信种类任务适应性较差的特点。主要表现为通过少量的计算和新训练数即可用于模型上实现和海量数据一样的识别准确度。元学习中“元”的概念：即一个泛化性能较强的初始化网络加上对新任务的快速适应学习能力。设计目的设计一种机器学习模型，这种模型使用少量的数据样本就能快速学习新的概念或者既能经过不同任务的训练之后，元学习模型就能很好的适应和泛化到一个新的任务——“Learning to
2021-11-20 10:45:36
5051
原创 一文看懂Meta Leaaring(元学习)
概念Meta Learning（元学习）或者叫做 Learning to Learn（学会学习）已经成为继 Reinforcement Learning（增强学习）之后又一个重要的研究分支（以后仅称为 Meta Learning）。对于人工智能的理论研究，呈现出了Artificial Intelligence --> Machine Learning --> Deep Learning --> Deep Reinforcement Learning --> Deep Meta Le
2021-11-18 21:07:25
2417
原创 C语言结构体指针用法异常问题
#include<stdio.h>typedef struct student { int sno; float score;}stu;int main() { float a = 0.3; stu li = { 1,98.2 }; stu* p = &li; float* q = &a; printf("%d\n", p->sno); printf("%f\n", p->score); printf("%f\n", li.score); .
2021-11-04 16:48:03
870
原创 回顾基础算法，会有不同的收获
冒泡排序from random import randintdef maopao(lst): flag = False for i in range(len(lst)): if i+1<len(lst) and lst[i]>lst[i+1]: lst[i],lst[i+1] = lst[i+1],lst[i] flag = True return flag,lst if __name_
2021-11-03 15:21:24
101
原创 K-Means聚类[图像和数据](数据挖掘篇)
K-Means 是一种非监督学习，解决的是聚类问题。K 代表的是 K 类，Means 代表的是中心，你可以理解这个算法的本质是确定 K 类的中心点，当你找到了这些中心点，也就完成了聚类。那么请你和我思考以下三个问题：如何确定 K 类的中心点？如何将其他点划分到 K 类中？如何区分 K-Means 与 KNN？K-Means 的工作原理对亚洲足球队的水平，你可能也有自己的判断。比如一流的亚洲球队有谁？你可能会说伊朗或韩国。二流的亚洲球队呢？你可能说是中国。三流的亚洲球队呢？你可能会说越南。其实这
2021-10-24 12:02:43
961
原创 数据分析45讲—支持向量机SVM(笔记)
什么是svmSVM 的英文叫 Support Vector Machine，中文名为支持向量机。它是常见的一种分类方法，在机器学习中，SVM 是有监督的学习模型。监督学习监督学习是指的是我们需要事先对数据打上分类标签，这样机器就知道这个数据属于哪个分类。同样无监督学习，就是数据没有被打上分类标签，这可能是因为我们不具备先验的知识，或者打标签的成本很高。所以我们需要机器代我们部分完成这个工作，比如将数据进行聚类，方便后续人工对每个类进行分析。SVM 作为有监督的学习模型，通常可以帮我们模式识别、分类以及
2021-10-08 20:59:13
257
1
原创 数据分析45讲—决策树(笔记)
决策树原理：决策树基本上就是把我们以前的经验总结出来。打篮球的训练集如果我们要出门打篮球，一般会根据“天气”、“温度”、“湿度”、“刮风”这几个条件来判断，最后得到结果：去打篮球？还是不去？决策树构造构造就是生成一棵完整的决策树。简单来说，构造的过程就是选择什么属性作为节点的过程，那么在构造过程中，会存在三种节点：根节点：就是树的最顶端，最开始的那个节点。在上图中，“天气”就是一个根节点；内部节点：就是树中间的那些节点，比如说“温度”、“湿度”、“刮风”；叶节点：就是树最底部的节点，也就是
2021-10-02 17:09:03
819
原创 数据分析45讲—数据挖掘基础(笔记)
数据挖掘数据挖掘的基本流程商业理解：数据挖掘不是目的，从商业角度理解项目的需求，在这个基础上在对数据挖掘的目标进行定义。数据理解：尝试收集部分数据，然后对数据进行探索，包括数据的描述、数据质量验证。数据准备：开始收集数据，并对数据进行清洗、数据集成等操作，完成数据挖掘前的准备操作。模型建立：选择和应用各种数据挖掘模型，并进行优化以便得到更好的分类结果。模型评估：对模型进行评价，并检查构建模型的每个步骤，确认模型是否有了预定的商业目标。上线发布：模型的作用是从数据中找到金矿，也就是我们所说的“
2021-10-02 14:25:26
279
原创 Numpy基础(day3)维度增加及合并数组
Numpy增加维度三种方法np.newaxis关键字，使用索引的语法给数组添加维度np.expand_dims(arr, axis)方法，给arr在axis位置添加维度np.reshape(a, newshape)方法，给一个维度设置为1完成生维import numpy as nparr = np.arange(5)print(arr.shape)np.newaxis关键字注意：np.newaxis其实就是None的别名np.newaxis is None和np.newaxis
2021-08-25 15:28:20
1903
原创 Numpy基础(day2)随机函数及统计函数
Numpy常用random随机函数汇总import numpy as np np.random.seed(666)rand(d0,d1,…,dn)返回数据在(0,1)之间，均具有均匀分布np.random.rand(5)np.random.rand(3, 4)np.random.rand(3, 4, 5)randn(d0,d1,…,dn)返回数据具有标准正态分（均值为0，方差为1）np.random.randn(5)np.random.randn(3, 4)np.random.ra
2021-08-25 14:09:15
399
1
原创 Numpy必学基础（numpy基础及数据查询）
Numpy的核心数据结构就是array数组，array对象可以是一维数组，array对象可以是多维Numpy的array和python的list的一个区别，是他们必须都是同一种数据类型，比如都是int类型，这也是Numpy高性能的原因array本身属性shape：返回一个元组，表示array的维度ndim：一个数字，表示array的维度数目dtype：array中的元组的数据类型array的创建从python的列表list和嵌套列表array使用预定的函数arrange、ones
2021-08-24 14:39:15
376
原创 VOC数据集讲解及自己标注
数据集的标注首先要安装labelImgpip install labelimg首先准备一个文件夹里面包括两个子文件夹和一个txt文件：(annotation、image、classes.txt)结构如下图：|-------- (父级目录)|— annotation|— image|— classes.txt在文件里打开shell命令行 ，输入labelimg ./image ./classes.txt第一个参数为图片的文件夹第二个为标签的txt文件修改保存文件信息的文件夹（Ch
2021-08-20 09:14:57
1836
原创 Python中的OS模块全
os中的模块函数print(os.getcwd())获取当前工作的目录os.chdir()修改当前工作目录参数：chdir(路径)os.listdir()获取指定文件夹中所有内容组成的列表参数listdir(路径)os.mkdir()创建文件夹参数：mkdir(路径,文件权限)权限：0o777 -->0o代表八进制 7;7;7分别为所有者;所属组;其他人（Linux）权限划分1：可执行 2：可写 4： 可读 7就代表：可执行、可写、可读os.makedirs()递归创建文件夹make
2021-08-15 19:57:18
154
原创 初步理解JVM（1）
JVM的位置#mermaid-svg-BWJbq8A1Y4xr5zWu .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-BWJbq8A1Y4xr5zWu .label text{fill:#333}#mermaid-svg-BWJbq8A1Y4xr5zWu .node rect,#mermaid-svg-B.
2021-08-15 14:21:02
91
原创 Pandas从入门到实战（day3）
Pandas数据排序Series的排序：Seriex.sort_values(ascendiong=True, inplace=False)参数说明：ascendiong:默认为True升序排列，为False为降序排序inplace:是否修改原始的SeriesDataFrame的排序：DataFrame.sort_values(by, ascendiong=True, inplace=Flase)参数说明：by:字符串或List<字符串>，单排列或多列排序asc
2021-08-13 15:31:54
95
原创 Pandas从入门到实战（day2）
新增数据列新增数据列直接赋值df.applydf.assign按条件选择分组分别赋值新增数据列读取csv数据import pandas as pdfpath = "./a.csv"df = pd.read_csv(fpath)print(df.head(2))替换数据df.loc[:, "week"] = df["week"].str. replace("#", "").astype('int32')直接赋值# 新增列df.loc[:, "year"] = 2021print(
2021-08-13 09:38:29
97
原创 mmdetection训练自己的COCO数据集
训练前的准备训练数据的导入将自己的COCO数据集放入到下载的mmdetection的源码里，（如果没有data文件夹需要新建）data -> COCO -> 你的COCO数据集配置的修改configs/_base_/datasetscoco_detection.pycoco_instace.pycoco_instace_semantic.py修改里面的img_scale=(,)：输入图片的最大长度和最小长度（GPU显存不够可以适量改动，上述的三个.py文件都要改）co
2021-08-11 09:19:53
3980
7
原创 使用labelme标注数据集并转化为CoCo数据集
目录使用labelme标注数据将labelme数据集转化为CoCo数据集使用labelme标注数据安装labelmepip install lebelme安装完成后使用labelme在命令窗口输入labelme导入需要标注的数据Open Dir -> 选择要导入的文件夹 -> 设置自动保存[左上角(File -> Save Automatically)]-> Create Polygons[左侧工具栏]对图片进行标注注意：标注要准确，尽可能表的详细标注
2021-08-10 15:41:05
3358
3
原创 MMDection实践| Python技能树征题
模型展示使用的图片基础环境的搭建configs来自于mmedction GitHub相信见这里from mmdet.apis import inference_detector, init_detector, show_result_pyplot# 设置device(GPU或CPU)device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")# 选择模型对应的配置文件config = './configs
2021-08-10 09:31:51
287
原创 OpenMMLab通用视觉框架（mmdetection）安装使用详解
mmcv安装首先要安装pytorch和CUDA，如果已经安装，进行第二步pytotch：官网（安装GPU版本）CUDA：官网安装完成后记住你安装的版本，建议使用conda安装安装mmcvmmcv：GitHub链接支持的CUDA和torch的版本安装：pip install mmcv-full=={mmcv_version} -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.9.0/index.htmlcu111:为你已经安
2021-08-10 08:47:56
2817
原创 安装mmcv报错 ERROR: error: Microsoft Visual C++ 14.0 or greater is Failed building wheel for mmcv-full
安装过程中报错，原因是没有C++环境！按照代码提示需要安装 Microsoft C++ Build Tools 但是后面附的链接是Visio Stdio2019,我安装过试了试，还是不行，这里需要的应该不是Microsoft C++ Build Tools ，因此，从需要从网上下载官网链接安装完成后选择C++等待安装完成安装成功啦！...
2021-08-09 16:02:21
4368
2
原创 多线程进阶（JUC-1）准备知识
多线程基础见基础1，其余可以查看我的专栏多线程查看CPU逻辑处理器数System.out.println(Runtime.getRuntime().availableProcessors());Java多线程的状态源码如下 public enum State { // 新生状态 NEW, // 运行状态 RUNNABLE, // 阻塞状态 BLOCKED, // 等待状态（一直等待）
2021-07-31 16:32:29
98
原创 pytorch入门（八）物体检测算法
R-CNN使用启发式搜索算法来选择锚框使用预训练模型对每个锚框抽取特征使用一个SVM来对类别分类训练一个线性回归模型来预测边缘框锚框大小不一致，怎么使得这些锚框变为一个批量？解决：兴趣区域...
2021-07-31 09:38:28
455
原创 pytorch入门(七)机器学习基础
机器学习的基本任务一般分为四大类：监督学习、无监督学习、半监督学习、强化学习。#mermaid-svg-9yWEvSSLOIFpUVSx .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-9yWEvSSLOIFpUVSx .label text{fill:#333}#mermaid-svg-9yWEvSSLOI
2021-07-28 10:35:24
343
原创 pytorch入门(六)Pytorch数据处理工具
概述torch.utils.data共有如下四个类。Dataset：是一个抽象类，其他的数据集需要继承这个类，并且覆盖其中的两个方法（_getitem_,_len_）。DataLoader：定义一个新的迭代器，实现批量（batch）读取，打乱数据（shuffle）并且提供并行加速等功能。random_split：把数据集随机拆分为给定长度的非重叠的新数据集。sampler：多种采样函数Torchvision是PyTorch的一个视觉处理工具包，包括四个子类，如下dataset：提
2021-07-28 09:57:40
290
原创 pytorch入门(五)Pytorch神经网络工具
核心组件层：神经网络的基本结构，将输入张量幻化为输出张量模型：层组成的网络损失函数：参与学习的目标函数，通过最小化损失函数来学习各种参数优化器：如何是损失函数最小，设计优化器前向传播 定义好每层后，最后还需要通过前向传播的方式把这些串起来。forward函数的任务需要把输入层、网络层、输出层连接起来，实现信息的前向传播。 在forward函数中，有些层的函数一般为输入数据，也可以使用nn
2021-07-26 16:20:09
359
原创 pytorch入门(四)Tenser与Autograd
Tenser与Autograd对Tenser求导需要注意以下事项创建叶子节点（Leaf Node）的Tenser，使用requires_gard参数指定是否记录对其的操作，以便之后利用backward()方法进行梯度求解。利用requires_gard_()方法修改Tenser的requires_gard属性。调用with torch.no_gard_():，将不在计算张量的梯度，跟踪张量的历史记录。通过运算创建的（非叶子节点），会自动赋予grad_fn属性，该属性表示梯度函数。最后得到的ten
2021-07-26 10:45:24
229
原创 Shall编程精讲
目录什么是Shall格式要求执行方式Shall变量Shall变量的定义定义变量的规则将命令的返回值赋值给变量环境变量设置什么是Shall**Shall：**是一个命令行解释器,它为用户提供了一个向Linux内核发送请求以便运行程序的界面系统级程序,用户可以用Shell来启动、挂起、停止甚至是编写一些程序.格式要求脚本以#!/bin/bash开头脚本需要有可执行的权限执行方式脚本的绝对路径或相对路径给予脚本权限（给予a.sh+X权限）执行脚本sh+脚本说明：不用给予权限，直接
2021-07-24 20:48:06
800
1
原创 Pandas从入门到实战（day1）
pandas目录数据的读取数据的读取数据类型pandas读取方法csv,tsv,txxtpd.read_csvexcelpd.read_excelmysqlpd.read_sql
2021-07-23 15:10:14
160
1
原创 Spring Secuirty5+ 使用及配置
spring secuirty官网链接????Spring Security 是一个提供身份验证、授权和针对常见攻击的保护的框架。凭借对命令式和反应式应用程序的一流支持，它是保护基于 Spring 的应用程序的事实上的标准。Spring Security 需要 Java 8 或更高版本的运行时环境。认证和授权导入依赖 <dependency> <groupId>org.springframework.boot</groupId> &
2021-07-15 16:57:30
196
4
原创 Linux学习（五）帮助指令及目录文件类指令
帮助指令基本语法man [命令或配置文件] （功能描述：获取帮助功能）应用查看ls命令的帮助信息man lshelphelp cd目录类指令pwd 显示当前工作的绝对目录ls 遍历目录ls [选项] [目录或文件]选项-a : 显示当前的文件和目录，包括隐藏的-l ：以列表的方式显示信息cd 切换到指定目录cd [参数]常用指令回到家目录 cd/cd ~返回上一级目录cd ..使用绝对目录 cd /home/aaamkdir 创建空目
2021-07-12 11:29:14
132
7
东北大学钢材表面缺陷检测（目标检测数据集COCO格式）
2024-03-07
Tomcat注册验证码.txt
2020-08-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人