- 博客(261)
- 资源 (34)
- 收藏
- 关注
RSS订阅原创 Obsidian 插件推荐
作为笔记软件，obsidian有很多强大的插件。本文根据不同功能分成几类进行介绍。大多数插件都是即安装即用，一些简单的使用方法也会附带在后面。本文介绍的主要是我正在用或者用过的插件，后续会根据使用情况持续更新。
2024-04-18 18:45:56
619
原创 Obsidian 插件安装
2、下载完成后，新建一个文件夹命名为这个插件的名字，注意文件夹名最好不要用空格，用 “-”替换，例如 【Excali drawimage】可以改成 【Excali-drawimage】，然后把上面三个文件放到这个文件夹下。1、首先，进入obsidian 社区网站（如上图），搜说要下载的插件，然后点击 箭头处，进入下面网页，什么都不用管，找到最上面（就是最新版）的 Assets，下载这个目录下面的三个文件。3、然后把这个文件夹放在 【./obsidian/plugins】下。
2024-04-18 15:40:09
275
原创 pycharm配置anaconda环境时找不到python.exe解决办法
上图只显示创建的虚拟环境中的那些文件夹，但是没有显示这个虚拟环境的可执行文件，没法添加环境。搜了半天总结出问题：pycharm版本过新。
2024-04-15 15:14:48
406
2
原创 天涯论坛天涯神贴
还记得那个天涯神贴吗？这就是在互联网的发展最早期，天涯论坛上比较常见的一种贴子。他们被称之为神帖，这是因为精确地预测到许多经济形势重大事件。虽然大部分神帖早已被天涯社区删掉了，但是对于那些当初沉溺于天涯社区的人来讲，这些人并不会被忘却。曾经的天涯社区，大家有好多话，而神帖也成为了这些人情绪宣泄情感与抒发感情的形式。在这样的贴子中，我们可以看到人们对于各类问题的热议，能够看见年轻人对于爱情、婚姻和家庭职业类型相互之间的挣扎和挑选。甚至有些神帖预测了历史时间中的一些事情。
2024-03-14 17:59:16
246
原创 win11 电脑睡眠功能失效了如何修复 & win11 禁止鼠标唤醒
当他们尝试将计算机置于睡眠状态时，却发现系统无法进入睡眠状态，这无疑给用户的使用体验带来了困扰。那么win11睡眠不管用怎么办呢？点击【Power】后，在【右侧】双击打开【AwayModeEnabled】值，然后将其数值数据修改为【0】点击【确定】保存，，则右侧单击【右键】新建一个【DWORD （32）位值】 ， 命名为【AwayModeEnabled 】修改为上述数值即可。1、按【 Win + R 】组合键，打开运行，并输入【regedit】命令，确定或回车，可以快速打开注册表编辑器。
2023-12-31 12:00:46
1906
原创 网课自动暂停解决方法、挂课后台播放方法、解决继续教育自动暂停
然后找到 Window（如下图红色框内），点击删除即可，然后按F12关闭调试页面。这样在这个切换其他页面后，这个页面播放视频就不会自动暂停了。使用的浏览器 Edge。
2023-09-19 10:07:19
15748
原创 【Microsoft Edge】如何彻底卸载 Edge
这个是安装除 Canary 版外的其他版本之后 Edge Update 服务自动安装的，用于 WebView2 控件，即 Windows 10 桌面小组件。版本以外的 Edge 具体安装日志C:\Users\Administrator\AppData\Local\Temp\msedge_installer.log。，然后 进行漏洞修复或者系统修复（具体忘记哪个了，因为修复完之后没有记录），扫描后有一个 edge 相关的条目说被劫持之类的，进行修复，之后安装就可以了。这便是会点进来的网友们遇到的问题。
2023-09-01 14:10:33
9401
1
原创 git 常用命令
注意，在使用git branch -d -r origin/命令后，还需要使用git push origin :命令，才能彻底删除远程仓库中的branch分支。git branch是一种和分支操作相关的命令，可以用来查看、创建、重命名和删除分支。git push :git push origin --delete 远程分支名。注意： 第一个是本地分支名test， 第二个是远程分支名。1. 删除的分支为当前所在的或不存在的分支。
2023-08-21 15:35:03
790
原创 ubuntu 20.04 安装 高版本cuda 11.7 和 cudnn最新版
ok，cuda配置结束，正常的测试是用sample里的脚本来测试的，可能是最新版的cuda，没有sample，就假设它装好了。使用nvcc -V测试以下有没有cuda。然后就直接install。等待片刻后，会安装完成，然后在.bashrc里配置环境变量。2.4、之后就继续，把第一个选择驱动，给他回车取消，因为我们已经有驱动了。gcc，如果报错直接安装gcc和g++就好。2.3、之后就继续，输入accept。2.5、在.bashrc里配置环境变量。2.2、安装过程选项选择。
2023-08-21 11:11:48
2511
1
原创 Ubuntu20.04安装Nvidia显卡驱动教程
注意： 如果前面没有禁用secure boot，则在安装过程中会提示设置一个密码，在重启时需要输入密码验证以禁用secure boot，重启后会出现蓝屏，这时候不能直接选择continue,而应该按下按键，选择Enroll MOK, 确认后在下一个选项中选择continue,接着输入安装驱动时设置的密码，开机。如图，我的电脑最佳显卡驱动版本为nvidia-driver-525， 当然最好是别安装最新的驱动版本，以防后面出现兼容问题。-no-opengl-files：只安装驱动文件，不安装OpenGL文件。
2023-08-21 10:51:18
8699
原创 ubuntu安装Microsoft Edge并设置为中文
文件，在文件最开头加上: export LANGUAGE=ZH-CN.UTF-8。安装的： 打开默认安装路径下的。
2023-08-19 16:41:53
792
原创 ubuntu 搜狗输入法安装 和 无法输入中文
搜狗官网下载linux版输入法，安装成功后发现只能输入英文。命令执行后重启搜狗输入法，就可以正常输入中英文了。主要原因是缺少依赖包导致的。
2023-08-19 12:30:49
3095
1
原创 Python 打包配置文件 setup.py 详解
在Python开发中，我们经常需要将自己的代码打包成可供其他人使用的库或应用程序。为了方便用户安装和使用，我们需要创建一个配置文件setup.py，用于定义打包的相关信息和依赖项。本文将详细介绍如何编写setup.py文件，并展示每一步需要做什么。
2023-08-09 16:53:09
4609
原创 目标检测任务中常用的数据集格式(voc、coco、yolo)
从这篇文章中，我们了解了这个数据集以scene understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。COCO数据集有91类，虽然比ImageNet和SUN类别少，但是每一类的图像多，这有利于获得更多的每类中位于某种特定场景的能力，对比PASCAL VOC，其有更多类和图像。├── Annotations #存放xml文件，与JPEGImages中的图片一一对应，每个xml对应JPEGImage中的一张图片描述了图片信息。
2023-07-28 09:46:00
2023
原创 基于Dockerfile创建镜像 和 镜像的导入导出
UnionFS(联合文件系统）：Union文件系统(UnionFS)是一种分层、轻量级并且高性能的文件系统，它支持对文件系统的修改作为一次提交来一层层的叠加，同时可以将不同目录挂载到同一个虚拟文件系统下。AUFS、OverlayFS 及 Devicemapper 都是一种 UnionFS。Union文件系统是Docker镜像的基础。镜像可以通过分层来进行继承，基于基础镜像（没有父镜像），可以制作各种具体的应用镜像。
2023-07-22 10:32:58
2850
原创 Docker 安装 和 GPU 支持
而对于Unix Socket而言，它默认是属于root用户的，其他用户要使用的话，必须在每句命令前加sudo，这样的话Docker daemon就一直是运行在root用户上了。换句话说，我们新建一个Unix用户组，名叫docker（当然你可以叫它别的名字），然后在这个用户组中，添加一个用户，这样使得daemon启动的时候，使用的Unix Socket是属于这个用户的，而不是root，那么就不需要sudo了。在启动容器时使用--gpus 使主机上的GPU可访问，并且可以配置使用多少块GPU。
2023-07-21 17:13:26
1086
原创 Floccus插件 + 坚果云 实现不同浏览器间书签同步
在工作与学习中，我们时常希望在；而一些传统的浏览器书签同步方案，或多或少都面临着一些问题——比如，浏览器尽管可以实现比较好的跨设备同步，但由于网络的限制可能导致同步不稳定；另一方面，比如想跨浏览器实现同步（例如将某一台电脑上浏览器的书签与这台或另一台电脑上的浏览器的书签实现同步），则很少有可靠的解决方法。而若借助于这一浏览器插件，则可以很好的实现浏览器书签的跨浏览器、跨设备同步。本文就详细介绍基于插件与的协议，实现浏览器书签的跨平台、跨设备自动同步方法。
2023-04-26 14:06:07
2543
1
原创 如何确定梯度消失/爆炸和解决梯度消失/爆炸
在深层网络中，如果激活函数的导数小于1，根据链式求导法则，靠近输入层的参数的梯度因为乘了很多的小于1的数而越来越小，最终就会趋近于0，例如sigmoid函数，其导数f′(x)=f(x)(1−f(x))的值域为（0，1/4），极易发生这种情况。在深层网络或循环神经网络中，误差梯度可在更新中累积，变成非常大的梯度，然后导致网络权重的大幅更新，并因此使网络变得不稳定。如果梯度爆炸仍然出现，你可以在训练过程中检查和限制梯度的大小。具体来说，检查误差梯度的值是否超过阈值，如果超过，则截断梯度，将梯度设置为阈值。
2023-01-10 19:46:48
1563
原创 pytorch 梯度累积（gradient accumulation）
所谓梯度累积过程，其实很简单，我们梯度下降所用的梯度，实际上是多个样本算出来的梯度的平均值，以batch_size=128为例，你可以一次性算出128个样本的梯度然后平均，我也可以每次算16个样本的平均梯度，然后缓存累加起来，算够了8次之后，然后把总梯度除以8，然后才执行参数更新。总结来讲，梯度累积就是每计算一个batch的梯度，不进行清零，而是做梯度的累加，当累加到一定的次数（accumulation_steps）之后，再更新网络参数，然后将梯度清零。
2023-01-02 19:47:16
5066
1
原创 Pytorch中的model. train()和model. eval()
训练完一个epoch，我们可能会生成模型来进行测试。在测试之前，需要加上model.eval()，否则的话，即使不训练，模型的权值也会改变。这是因为模型中有Batch Normalization层和Dropout层。
2023-01-02 19:19:02
657
原创 Pytorch—模型微调（fine-tune）
对于不同的层可以设置不同的学习率，一般情况下建议，对于使用的原始数据做初始化的层设置的学习率要小于（一般可设置小于10倍）初始化的学习率，这样保证对于已经初始化的数据不会扭曲的过快，而使用初始化学习率的新层可以快速的收敛。
2023-01-02 19:02:54
8925
4
原创 Pytorch进行自定义Dataset 和 Dataloader 原理
在pytorch中，数据集对象被抽象为Dataset类，实现自定义的数据集需要继承Dataset，并实现相应的方法。在学习Pytorch的教程时，加载数据许多时候都是直接调用里面集成的数据集，直接在线下载，然后使用进行加载。那么，我们怎么使用我们自己的数据集，然后用DataLoader进行加载呢？常见的两种形式的导入：1.1、一种是整个数据集都在一个文件下，内部再另附一个label文件，说明每个文件的状态。这种存放数据的方式可能更时候在非分类问题上得到应用。下面就是我们经常使用的数据存放方式。
2023-01-02 01:05:00
2993
1
原创 int8，FLOPS，FLOPs，TOPS 等具体含义
算力的计量单位FLOPS（Floating-point operations per second），FLOPS表示每秒浮点的运算次数。具体使用时，FLOPS前面还会有一个字母常量，例如TFLOPS、PFLOPS。这个字母T、P代表次数，T代表每秒一万亿次，P代表每秒一千万亿次。除了运算次数，衡量算力水平时还要看算力精度。例如，1000FLOPS的AI计算中心所提供的的算力，与1000FLOPS超级计算机提供的算力，虽然数值相同，但由于精度不同，实际算力水平也是天壤之别。
2023-01-01 20:28:59
13921
1
原创 训练/测试集分布不一致解法总结
数值差距大，比如一个是 0-1，另外一个 0.5-2，如果是这种情况无解，你能做的只能扩大训练集合，因为重要特征一旦偏离，哪怕数学上都是有交集，现实上下文都是差距极大的，这和数据采集流程和规范等非技术问题有关。第四，特征数值差距不大，特征相关性差距也不大，但是目标数值差距过大，这个好办，改变任务设置共同的中间目标，比如你说的目标值是否可以采取相对值，增长率，夏普等，而非绝对值。的差距较大，这种情况可以屏蔽这些特征，或者利用类似迁移学习 prototype 那种思路约束特征输入不过于偏离训练集。
2023-01-01 20:00:18
706
原创 one/zero-shot learning（一次学习/零样本学习）的理解
zero-shot learning顾名思义即是对某（些）类别完全不提供训练样本，也就是说没有标注样本的迁移任务被称为零次学习。zero-shot learning是为了能够识别在测试中出现，但是在训练中没有遇到过的数据类别，可以说是迁移学习。zero-shot learning指的是我们之前没有这个类别的训练样本，但是我们可以学习到一个映射X->Y。
2023-01-01 19:56:50
1220
原创 为什么深度神经网络这么难训练
根本的问题其实并非是消失的梯度问题或者爆炸的梯度问题，而是在前面的层上的梯度是来自后面的层上项的乘积。网络）表⽰了每个神经元权重和偏置在神经⽹络学习时的变化速率，图中的每个神经元有⼀个条形统计图，表⽰这个神经元在⽹络进⾏学习时改变的速度。这意味着在前⾯的隐藏层中的神经元学习速度要慢于后⾯的隐藏层，这个现象也被称作是梯度消失问题。同样的情况出现了，前⾯的隐藏层的学习速度要低于后⾯的隐藏层。所以，如果我们使用标准的基于梯度的学习算法，在网络中的不同层会出现按照不同学习速度学习的情况。
2023-01-01 17:58:21
671
原创 多任务的loss优化
多任务学习经常会出现跷跷板现象，即两个任务联合学习的时候，可能一个任务效果变好，另一个任务效果变差。各任务loss量级接近，最好一致；(值域量级接近)，loss量级可以使各任务loss除以对应的初始loss(交叉熵损失/L2)针对上述多任务学习优化过程中的问题，业内有一系列的工作进行解决。今天给大家介绍4篇通过梯度优化提升多任务学习效果的方法。各任务以相近的速度进行学习。(学习速度接近)， 速度即相邻迭代次数对应的loss的比值，值越小则速度越高。2.2、通过梯度优化提升多任务学习效果的方法。
2023-01-01 11:26:49
2802
原创 归一化 （Normalization）、标准化 （Standardization）和中心/零均值化 （Zero-centered）
b、梯度：以输入-隐层-输出这样的三层BP为例，我们知道对于输入-隐层权值的梯度有2ew(1-a^2)*x的形式（e是误差，w是隐层到输出层的权重，a是隐层神经元的值，x是输入），若果输出层的数量级很大，会引起e的数量级很大，同理，w为了将隐层（数量级为1）映身到输出层，w也会很大，再加上x也很大的话，从梯度公式可以看出，三者相乘，梯度就非常大了。归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。中心化，也叫零均值处理，就是将每个原始数据减去这些数据的均值。
2022-12-31 13:50:52
20810
1
原创 标签平滑（Label Smoothing）详解
标签平滑（Label smoothing），像L1、L2和dropout一样，是机器学习领域的一种正则化方法，通常用于分类问题，目的是防止模型在训练时过于自信地预测标签，改善泛化能力差的问题。
2022-12-31 11:08:39
8580
原创 深度学习模型训练调参的tricks总结
学习率是一个非常非常重要的超参数，这个参数呢，面对不同规模、不同batch-size、不同优化方式、不同数据集，其最合适的值都是不确定的，我们无法光凭经验来准确地确定lr的值，我们唯一可以做的，就是在训练中不断寻找最合适当前状态的学习率。比如下图利用fastai中的lr_find()函数寻找合适的学习率，根据下方的学习率-损失曲线得到此时合适的学习率为1e-2。
2022-12-31 10:18:36
3063
1
原创 MMDetection框架入门教程
带你玩转 3D 检测和分割：MMDetection3D 整体框架介绍。模型部署入门教程：模型部署简介。MMCV 核心组件分析。
2022-12-29 18:58:14
206
原创 pytorch中维度不一致张量之间加减/逻辑运算问题
a 和 b 的维度相同了，可以运算了，实际运算的时候 a 和 b 都会将维度为1的轴再进行复制扩充，维度都变为(5,1,5,5)，因此可以进行加法运算了。这里 a 维度是（5,1,1,5），b 的维度是(5,5), 最终结果的 c 维度为(5,1,5,5)，这里相加操作对 a 和 b 都进行了维度扩充。例如下面的代码，b的维度低一些，所以和a相加的时候b的维度就会先扩充为[1,1,5,6]。，将 b 从右边与 a 对齐，b 的维度变为(1,1,5,5)，1、由于4不等于2，因此不可以相加。
2022-11-29 22:30:39
2004
原创 Pytorch 中 expand和repeat
在中，如果要改变某一个tensor的维度，可以利用view、expand、repeat、transpose和permute等方法，这里对这些方法的一些容易混淆的地方做个总结。expand和repeat函数是pytorch中常用于进行张量数据复制和维度扩展的函数，但其工作机制差别很大，本文对这两个函数进行对比。expand()对应位置可写上原始维度大小或直接写作-1；expand函数用于将张量中单数维的数据扩展到指定的size。
2022-11-29 13:01:19
4306
1
原创 Nuscenes 数据集
Nuscenes 数据集浅析_Darchan的博客-CSDN博客_nuscenes数据集nuScenes自动驾驶数据集：数据格式精解，格式转换，模型的数据加载 (一)_naca yu的博客-CSDN博客_nuscenesnuScenes 3D目标检测数据集解析（完整版附python代码）_baobei0112的博客-CSDN博客_nuscenes数据集对Nuscenes数据集一无所知，手把手带你玩转Nuscenes数据集_秃头小苏的博客-CSDN博客_nusence数据集nuScenes 数据集_想读书行不
2022-11-26 16:43:28
455
原创 shell 命令打开终端，用shell脚本运行Tmux
向 my_session tmux 窗口发送 需要执行的shell 脚本命令。通过shell命令打开一个 命名为 my_session 的tmux 窗口。gnome-terminal 使用命名行打开终端。使用命令打开终端后，并在该终端执行shell 脚本。
2022-11-19 09:43:31
2305
原创 cocoeval 解析
作者在这里把我们前面提到的参数Params作为一个函数的输入，似乎本意是希望能够更方便的在更多维度上统计结果，但是偏偏前面的evaluate又是在默认的参数上进行的，确实有一种还未完全实现功能。函数内部会根据传入的具体的IoU阈值，面积阈值，最大检测数的值返回上述precision和recall中对应维的检测结果，我们就也可以自定义形式返回我们想要的各种参数下的AP与AR啦。对于COCO格式的数据检测，我们主要分为不同的IoU阈值，不同的面积范围，单张图片的最大检测数量。这里没有什么特别的需要注意的。
2022-11-16 00:45:05
3467
2
原创 COCOAPI评价指标解析及改进
具体计算是将模型的预测框先按照每一张图片，每一种类别，按照置信度从大到小得到maxDet个框，然后将测试集中特定类别的所有框按置信度总的排序，继而再对排序后的指定类别的所有框计算tp、fp，然后对所有类别求平均得到mAP(pr曲线的面积)；通过该程序，只需要将任意检测模型的预测输出组织成result_test.json形式，ground truth保存成instances_test.json形式，然后就可以直接调用eval_coco.py进行评估。
2022-11-14 19:45:29
1239
4
原创 shell脚本中针对sudo命令等密码输入的问题解决方案
首先超级用户将普通用户的名字、可以执行的特定命令、按照哪种用户或用户组的身份执行等信息，登记在特殊的文件中（通常是/etc/sudoers），即完成对该用户的授权（此时该用户称为“sudoer”）；在一般用户需要取得特殊权限时，其可在命令前加上“sudo”，此时sudo将会询问该用户自己的密码（以确认终端机前的是该用户本人），回答后系统即会将该命令的进程以超级用户的权限运行。2、sudo命令的-S选项允许从stdin中读入密码。用户在使用sudo命令时系统弹出的需要用户的密码才能去执行sudo后面的命令。
2022-09-29 15:40:05
1505
Bitvise SSH Client-最新版-20190601.zip
2019-06-01
Visual Assist X 破解版
2017-11-10
斯坦福机器学习公开课笔记+讲义
2017-10-25
SQLyog12.2 中文 64位 绿色版
2017-10-25
《Python3程序开发指南》第二版(带书签)
2017-10-21
Python核心编程 第二版 高清pdf文字版
2017-10-21
《统计学习方法》--李航（带书签） 高清pdf版
2017-10-21
SQLite Expert Pro 5 带注册码
2017-09-25
《深度学习Deep Learning》中文版 高清PDF版
2017-09-25
《机器学习实战》--高清中文--带书签
2017-08-16
Everything脑文件搜索工具(支持WIN10)
2017-06-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人