a171232886 / a171232886.github.io Goto Github PK
View Code? Open in Web Editor NEWHexo
Hexo
添加右上角图标folk github 找到自己喜欢的样式:http://tholman.com/github-corners/,并复制代码 打开: E:\Blog\themes\next\layout_layout.njk,添加 123
<!--找到大概23行代码,在上方这个代码下的位置添转置卷积(Transposed Convolution)
又称为转置卷积。
torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros')
https://a171232886.github.io/2021/11/21/numpy%E9%9A%8F%E6%9C%BA%E5%92%8CPytorch%E9%9A%8F%E6%9C%BA/
前言
作为测试用例,生成随机矩阵或者tensor很重要。可这个操作在numpy和Pytorch中略有区别。故在此处整理出。
Numpy
numpy.random 生成随机数
如numpy.random.rand(2,3) ### 推荐使用方式
12345# 带键值对的方式,好记a = np.random.uniform(low=1,high=2,size=[255,255,3])a
概念
感受野 (receptive field, RF)是卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小。
在网上看到了一张很好的图,可以表示整个关系。
图片来源
注意:计算感受野大小时,忽略了图像边缘的影响,即不考虑padding的大小。
前言
是在研究训练过程中遇到的
F.conv2d与nn.Conv2d
也就是torch.nn.functional.conv2d实际上是torch.nn.Conv2d的另一个用法,可以直接指定卷积核和偏置的值。 这在通常情况下是用不到的,因为卷积核的值都是训练得到的。但在一些相关运算(correlation)时,需要指定卷积核的值。首先回顾一下nn.Conv2d
https://a171232886.github.io/about/
大家好!我是小王同学。 建立这个站点主要有三个功能设想: 第一个,作为我的笔记本 第二个,分享与讨论知识 第三个,必要时用于展示 欢迎大家多提意见!
https://a171232886.github.io/2021/11/08/hello-world/
Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub. Quick
https://a171232886.github.io/2021/11/18/SSIM%E5%92%8CPSNR/
SSIM
Structural Similarity(SSIM)结构相似性
Matlab版定义
MatLab版见官方介绍。 基于三个项的计算,即亮度项、对比度项和结构项。 [
\operatorname{SSIM}(x, y)=[l(x, y)]^{\alpha} \cdot[c(x, y)]^{\beta} \cdot[s(x, y)]^{\gamma}
] [
\begin{
https://a171232886.github.io/2021/11/08/Hexo%E7%9A%84NexT8-8%E4%BD%BF%E7%94%A8Gitalk/
前言作为一个博客,总得有评论区吧。而评论区的插件需要第三方来完成,有些还需要单独注册。本着尽量少注册,尽量少泄露信息的原则,我使用Gitalk作为评论区插件。NexT主题已经集成了Gitalk。这也是我使用NexT主题的直接原因。 网上这么多教程,那你为什么要再写一篇呢?因为那些十篇有九篇不能用。不是说那些博客写错了,是过时了。因为现在NexT的版本已经到8.8,很多东西已经不一样了。 我现在的相
前言
CSDN上的图片引用格式为“”,对图片调整为居中显示并按比例缩放,可以很简单:在图片链接尾添加#pic_center =80%x80%
![在这里插入图片描述](https://img-blog.csdnimg.cn/e0a68bdbd10f41f081bb1c60d659bda4.png#pic_center =80%x80%)
但问题在于这种方式不能使用于其他博客比如Hexo,所以
Relu层
卷积层和全连接层这种有可训练参数的,可以求梯度。Relu层怎么办?
先说结论:Relu(x),若x<=0,x的梯度为0,若x>0,梯度为x。
https://a171232886.github.io/2021/11/18/Hexo-NexT8-8%E6%B7%BB%E5%8A%A0CC%E5%8D%8F%E8%AE%AE/
前言
写完文章以后,想加个版权协议保护一下自己的劳动成果。(小声说:写的文章本来就没人看,根本用不着版权保护。而且版权保护只针对尊重版权的人。)
为什么要写这篇博客,写完还单独列出来?因为网上的教程都过时了,无法在NexT8.8上成功使用。
以下是经过探索后的正确方法。
修改配置文件
打开E:\Blog\themes\next_config.yml,找到creative_commons
前言好不容易做完一个论文代码,要公开到Github上,此时有两种选择:(1)在GitHub上进行拖拽上传(2)Git命令上传。对于文件数不多的程序可以用拖拽上传,但动辄文件数上百的程序这样显然就不合适,因为每次拖拽上传最大文件数有限制。你总不能直接上传一个压缩包吧,那样也太显示你的水平了。 这时就要用到Git命令了。尽管Git是一个优秀的版本控制命令,但对于我这种单人小项目并且在固定服务器上运行的
https://a171232886.github.io/2021/12/16/ResNet%E7%BB%93%E6%9E%84%E8%AF%A6%E8%A7%A3/
ResNet的层数34,50,101到底指什么?
答案并不直接,得分两步来看。
安装MatlabR2017a
文件下载
明显只能百度网盘,提取码:hj0x 我把文件保存到了/media/HardDisk/公共安装包/MATLAB_R2017a_install/文件夹下 ## 挂载镜像 - 为了避免麻烦,先修改一下读写权限 1sudo chmod -R 777 /media/HardDisk/公共安装包/MATLAB_R2017a_install/
创建一个文件夹,用
标准卷积Conv2d
最基础的卷积。下面图虽然丑了点,但足够说明问题了。
注: (1) kernel的值在初始化中是随机生成的,可以每个值之间都不一样。
(2)每个通道只对应一个bias值。
前言
作为一个博客,总得有评论区吧。而评论区的插件需要第三方来完成,有些还需要单独注册。本着尽量少注册,尽量少泄露信息的原则,我使用Gitalk作为评论区插件。NexT主题已经集成了Gitalk。这也是我使用NexT主题的直接原因。
前言能评论,还要能分享。好在NexT已经集成了一些插件。 插件Need More Share首先要提一下,NexT官方提供了一些插件,还都不错。集成分享功能在这个页面:https://github.com/theme-next/hexo-next-share 管理员身份打开cmd,安装 123E: # windows下跳转到E盘cd Blog # 进入Blog文件夹npm
Ubuntu18.04安装
安装文件下载
Ubuntu18.04官方链接64位 Rufus官方下载 以上两者的百度网盘,提取码:ico2 ## 制作U盘启动器 1.运行Rufus
在这里插入图片描述
2.选择U盘(设备),选择镜像文件(引导类型选择),其余默认。然后点击开始,制作完成。
进入BIOS的快捷键因机器而异,仔细观察机器的启动界面总会
前言
这是我看大佬讲语义分割前言记的笔记。如果对这块内容有需要,建议直接看他视频。
这是他B站主页,https://space.bilibili.com/18161609
能用索引方式过多,不止下标索引。自己写程序还好,关键是看人家写的程序,有时候会晕掉,不知所云。故在此总结。
首先对Numpy的下标索引、切片索引、布尔索引和花式索引进行介绍和分析,然后研究Python和Pytorch中的索引方式是否包括以上四种。
Numpy
下标索引
123456789101112131415161718192021222324>>> a = numpy
https://a171232886.github.io/2021/10/14/MOT16%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0/
专栏前言这是目标跟踪专栏第一篇文章。看论文需要记笔记,否则忘得很快。这姑且算是给自己看的阅读笔记,但又希望别人也看,因为别人能提出一些我注意不到的问题或是直接纠正某些错误。但整体上是给自己看的,所以不像其他阅读笔记,这里只包含我认为的重点和我的疑问。 本文前言一直觉得了解一个领域方向,应该先了解这个方向的评价指标和数据集。因为这两样东西定义了研究的问题和前进方向。现在了解的是多目标跟踪,因此选了一
https://a171232886.github.io/2021/11/22/Pytorch%E4%B8%AD%E7%9A%84Conv1d%E5%92%8CConv3d/
Conv1d
torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')
和Conv2d处理[N,C,H,W]相比,只是处理处理的数据为[N,C,L],其余相同。
前言
我总觉得,书本上说的是一回事,实际是另一回事。应实际看看优化器到底怎么算的,用矩阵运算把结果复现出来。
SGD
官方文档
随机梯度下降(Stochastic Gradient Descent),这要强调和GD的区别。书本上的GD是遍历完所有的样本之后进行一次梯度下降,SGD是在得到一个样本后进行一次梯度下降,mini-batch是进行一定数量的样本之后才进行一次梯度下降。而我们实际使
https://a171232886.github.io/2021/01/02/Ubuntu18_04-CaffeGPU-MATLAB%E6%8E%A5%E5%8F%A3/
前言
之前为了重装系统,不得不先保证自己可以会配Caffe的GPU版本的MATLAB接口,才敢大胆地删掉师姐辛辛苦苦配成的代码环境。毕竟一重装系统,那些代码环境都烟消云散了。我是在Ubuntu18.04上完成的这件事:Caffe的GPU版本(安装了CUDA但没有安装CUDNN,结果上并不影响代码使用显卡资源)配置MatlabR2017a的接口。
在网上找啊找,有很多讲如何配置Caffe的Pyt
前言先来解释一下这个标题 为什么要远程连接 这里主要是针对实验室的情况。比如实验室有一台服务器,上面有多个账户,每个用户每次使用都要跑到服务器面前,这是很不合适的,也很不方便。更重要的是,即便用户不嫌麻烦每次都跑过去,但是这种使用服务器的方式,每次仅限一人使用,不能多人同时使用。 远程连接,可以解决这个问题。它不仅可以让你在你自己的座位上使用服务器,更是支持多人同时使用一台服务器。 目前远程
https://a171232886.github.io/2021/11/08/Hexo-GitHub%E5%8D%9A%E5%AE%A2%E6%90%AD%E5%BB%BA/
前言某晚,像孩童般充满好奇心的Y同学在努力探索在GitHub上搭建个人网站。小王在各种失败的打击后,已经不再对任何事情感到好奇并愿意探究。但小王以前确实见过以github.io为名的网站,查了一下视频教程短的仅有5分钟,详细的也不过30分钟,再加上小王早已对CSDN的弹窗广告不满,所以决定尝试一下。于是在一个忙里偷闲的晚上,终于建立自己的网站。 在一番探索后,小王决定记录一下这个过程。整体流程主要
前言
《断墨寻径》是一个B站Up做的关于学习方法的探讨和分析,其分析的完整性和深度都是少见的。Up主本身也是西安电子的老师,所以整体的内容可信度较高。
这是他的视频连接:【教育部产学】不良学习误区自我排查:掌握科学学习,考入理想学校
如他所讲"该课程其实适合所有应试生,但课程是主要针对高中生的"。我在研究生即将毕业的时候看到这个视频,对其中的很多内容或深有同感或大受启发。因此做笔记来记录其重
前言
上次从公式角度研究了转置卷积。这次想进一步从矩阵计算角度研究。内容基本上参考这位大神在B站讲解的转置卷积(transposed convolution),他在CSDN也有对应的博文转置卷积(Transposed Convolution)。强烈建议大家去看看B站的视频。我这里的图片都来源于这位大神。
前言上次说到用Hexo在Github上建立个人博客。Hexo博客所使用的主题默认是Landscape,其实挺简洁大方的。但是由于种种原因,也许是因为功能少,现在需要更换一个主题,比如NexT。 同时,现在要开始完成自己的第一篇博客。 Hexo的主题官方在https://hexo.io/themes/,罗列了348种主题。挑一款自己最喜欢的吧。同时,使用Hexo的大佬们也会在自己的Github网站分
前言
实际上就是看PASCAL VOC2012数据集讲解与制作自己的数据集的一点笔记,把重点的记下来了。
VOC2012
数据集官方地址:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html
https://a171232886.github.io/2021/09/09/Bibtex%E6%A0%BC%E5%BC%8F%E7%B1%BB%E5%9E%8B/
出于保留资源和查找方便,转载自https://blog.csdn.net/kmsj0x00/article/details/85318057 类型简介必需关键字可省略关键字@Article期刊或杂志上的一篇文章。author, title, journal, year.volume, number, pages, month, note.@book有确定出版社的书籍。author或editor,
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.