<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ABin_203的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ABin_203</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ABin_203]]></copyright><item><title><![CDATA[超越ImageBind？ 腾讯LanguageBind已开源！]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/133761997</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/133761997</guid><author>ABin_203</author><pubDate>Wed, 11 Oct 2023 10:28:28 +0800</pubDate><description><![CDATA[该工作介绍了一项名为"LanguageBind"的技术，旨在扩展视频-语言（VL）预训练模型的适用性，以处理多模态数据。该技术的核心思想在于以语言模态作为多种不同模态之间的纽带，因为语言模态包含丰富的语义信息。此方法通过在VL预训练模型的基础上冻结语言编码器，然后使用对比学习方法来训练其他模态的编码器，从而将各个模态映射到一个共享的特征空间，以实现多模态数据的语义对齐。此外，文章还提到了作者创建的名为"VIDAL-10M"的高质量数据集，其中包含了视频、红外、深度、音频等多模态数据，以及它们的相关语言描述。]]></description><category></category></item><item><title><![CDATA[dlib安装与imglab制作数据集]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106748590</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106748590</guid><author>ABin_203</author><pubDate>Sun, 14 Jun 2020 17:50:57 +0800</pubDate><description><![CDATA[dlib安装
很多人可能苦于dlib的安装，很多博主写到需要studio环境等，还有版本问题。但后来博主走了很多弯路，发现根本没必要这样。在python3.6环境中直接
pip install dlib==19.6.1

这样就能够无脑解决，什么cmake，studio统统不用管。这样就下载并安装好了dlib。
配置imglab环境
网上各路神仙大显神通，配这个配那个，博主这里提供一个无脑版，已经帮你配好了。所有设置不需要动，配置文件别删，请解压后使用。
链接：https://pan.baidu.com/s]]></description><category></category></item><item><title><![CDATA[dlib训练自己的数据集]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106749060</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106749060</guid><author>ABin_203</author><pubDate>Sun, 14 Jun 2020 17:50:33 +0800</pubDate><description><![CDATA[现在公开的68点特征提取权重非常强大，但是有的时候我们并不想提取这些，在有数据的基础上，就应该自己训练一个模型权重。如何制作数据集请参考博主上篇博客。
训练
在制作完数据集后，在你的images文件夹的同级目录下有一个xml后缀的文件，这个文件就是我们的数据。
# -*- coding: utf-8 -*-
import os
import sys
import glob
import dlib
import cv2

# options用于设置训练的参数和模式
options = dlib.simple_]]></description><category></category></item><item><title><![CDATA[Keras框架下调用tensorboard查看训练过程]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106619677</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106619677</guid><author>ABin_203</author><pubDate>Mon, 08 Jun 2020 15:20:14 +0800</pubDate><description><![CDATA[tensorboard参数介绍
1、log_dir: 用来保存Tensorboard的日志文件等内容的位置
2、histogram_freq: 对于模型中各个层计算激活值和模型权重直方图的频率。
3、write_graph: 是否在 TensorBoard 中可视化图像。
4、write_grads: 是否在 TensorBoard 中可视化梯度值直方图。
5、batch_size: 用以直方图计算的传入神经元网络输入批的大小。
6、write_images: 是否在 TensorBoard中将模型权重以图]]></description><category></category></item><item><title><![CDATA[Keras搭建AlexNet网络以及网络优化(附代码数据集)]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106618802</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106618802</guid><author>ABin_203</author><pubDate>Mon, 08 Jun 2020 15:04:12 +0800</pubDate><description><![CDATA[搭建AlexNet网络AlexNet数据集实战
AlexNet
AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网络被提出，比如优秀的vgg,GoogLeNet。 这对于传统的机器学习分类算法而言，已经相当的出色。


结构呢现在看来还是很清晰的不复杂，不过对于当时2012年来说，这个网络的结构可谓是巨兽，参数超级多。结构如下：
**1、一张原始图片被resize到(224,224,3)；
2、使用步长为4x]]></description><category></category></item><item><title><![CDATA[小白也能理解的MTCNN（下）]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106505533</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106505533</guid><author>ABin_203</author><pubDate>Tue, 02 Jun 2020 21:41:06 +0800</pubDate><description><![CDATA[大白话讲MTCNN环境实战
环境
环境博主用的是Keras2.2.4+Tensorflow-gpu1.11.0+python3.6,如果有小伙伴还不懂怎么配置gpu环境的话可以看博主第一篇博客噢。
在命令行进入这个环境后就
pip install mtcnn

这样就可以调用这个集成包了。用你自己的脸来检测检测吧，那么还需要cv2来调用你的摄像头。在命令行进入环境后安装这个包。
pip install opencv-python

实战
非常简单首先导入包。来用摄像头捕捉你的大头，实例化mtcnn。
.re]]></description><category></category></item><item><title><![CDATA[小白也能理解的MTCNN（上）]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106504957</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106504957</guid><author>ABin_203</author><pubDate>Tue, 02 Jun 2020 21:26:07 +0800</pubDate><description><![CDATA[大白话讲MSTNNMTCNN图像金字塔P-netR-netO-net
MTCNN
它是2016年中国科学院深圳研究院提出的用于人脸检测任务的多任务神经网络模型，该模型主要采用了三个级联的网络，采用候选框加分类器的思想，进行快速高效的人脸检测。这三个级联的网络分别是快速生成候选窗口的P-Net、进行高精度候选窗口过滤选择的R-Net和生成最终边界框与人脸关键点的O-Net。和很多处理图像问题的卷积神经网络模型，该模型也用到了图像金字塔、边框回归、非最大值抑制等技术。
MTCNN，Multi-task conv]]></description><category></category></item><item><title><![CDATA[最强降维模型t-SNE vs 最常用降维模型PCA（下）]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106343985</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106343985</guid><author>ABin_203</author><pubDate>Mon, 25 May 2020 22:58:36 +0800</pubDate><description><![CDATA[异常点检测
前文讲到tsne在高维度数据有着绝对的优势，能够碾压其余降维模型，在低维度的数据也毫不逊色任何一种。但是缺点也很明显，性能的代价往往是时间，它的时间复杂度过高。
tsne降维完分块的特点很明显，但也有一些飘来飘去的点，这些点叫做异常点，异常点的剔除在日常生活中非常常见。比如机器零件的异常，食品，饮料等部分指标异常等。
t-SNE和PCA降维后都有异常点，我们试着来分析分析，这些异常点如何检测以及通过这些点来判断降维的效果。
常见的检测异常点有4种异常点检测方法，One-Class SVM（一分类]]></description><category></category></item><item><title><![CDATA[最强降维模型t-SNE vs 最常用降维模型PCA（上）]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106342797</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106342797</guid><author>ABin_203</author><pubDate>Mon, 25 May 2020 22:12:18 +0800</pubDate><description><![CDATA[t-SNE vs PCA背景概述实战总结
由于原理较枯燥以及博主水平有限，故本文直接开始实战，需要补原理的读者还请谅解。
背景概述
假设你有一个包含数百个特征的数据集，却对该数据所属领域几乎没有什么了解，并且你需要去探索数据中存在的隐模式。那可谓是数无形时少直觉，根本无从下手，当数据各特征间存在高度的线性相关，这时你可能首先会想到使用 [公式] 对数据进行降维处理，但是PCA 是一种线性算法，它不能解释特征之间的复杂多项式关系，而t-SNE (t-distributed stochastic neighbo]]></description><category></category></item><item><title><![CDATA[初学者对LSTM的理解]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106243424</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106243424</guid><author>ABin_203</author><pubDate>Wed, 20 May 2020 20:16:10 +0800</pubDate><description><![CDATA[LSTM从RNN说起普通RNNLSTM四个状态在LSTM内部的使用
本文借鉴和参考了许多文章，但忘记录了，如果侵权，请联系我，我将立马删除。
从RNN说起
循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。
普通RNN
先简单介绍一下一般的RNN。
其主要形式如下图所示（图片均来自台大李宏毅教授的PPT）：

图源]]></description><category></category></item><item><title><![CDATA[基于LSTM的股票时间序列预测（附数据集和代码）]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106243249</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106243249</guid><author>ABin_203</author><pubDate>Wed, 20 May 2020 20:04:01 +0800</pubDate><description><![CDATA[LSTM数据集实战
如果对LSTM原理不懂得小伙伴可以看博主下一篇博客，因为博主水平有限，结合其他文章尽量把原理写的清楚些。
数据集
首先附上数据集
链接：https://pan.baidu.com/s/1AKsz-ohmYHr9mBEEh76P5g
提取码：6owv
这个数据集是关于股票的，里面有日期，开盘价等信息。

既然是时间序列预测，我们最关心的是预测值在时间维度上的走势如何，那我们只要最后一列volume和第一列date这两列就好了。
实战
先是导入相关包，一些常见的包就不详细说了，我们需要的Se]]></description><category></category></item><item><title><![CDATA[适合小白的keras搭建VGG-16]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106109501</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106109501</guid><author>ABin_203</author><pubDate>Thu, 14 May 2020 00:04:30 +0800</pubDate><description><![CDATA[上次博主研究vgg16是直接调用已经训练好的vgg模型，没有自己进行搭建网络，这次博主先是用了tensorflow搭建，后来又用了keras搭建，发现keras对新手太友好了。首先附上vgg16的构建代码。想看实战项目的可以在博主的第二篇博文查看vgg16实战。
vgg16先卷积2次，池化，卷积2次，池化，卷积3次，池化，卷积3次，池化，然后全连接层。

看看大概结构其实很容易发现规律，似乎有些代码都是重复的，然后有些只是改个数字而已。具体怎么写，下面进行详细介绍。小伙伴们要特别注意代码中一些数字和上图结构]]></description><category></category></item><item><title><![CDATA[TensorFlow之重要概念的基础操作]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/106094539</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/106094539</guid><author>ABin_203</author><pubDate>Wed, 13 May 2020 14:31:49 +0800</pubDate><description><![CDATA[重要概念GraphSession创建关闭注入机制指定设备TensorOperationFeedFetch
tensorflow为什么要这样取名，tensor：张量，flow：流动。在我们的tensorflow里面，变量就是张量，张量在不断的流动。其实就相当于我们日常生活中的流程图一般。这就引申出Graph这个概念。
Graph
图描述了计算的过程，可以通过tensorboard图形化流程结构。

我们看到上面这个图，我们暂且称为流程图吧，流程图先是a+b=d,a*b=c,然后d+c=e。很简单的一个流程。对]]></description><category></category></item><item><title><![CDATA[决策树可视化：鸢尾花数据集分类(附代码数据集)]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/105992098</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/105992098</guid><author>ABin_203</author><pubDate>Fri, 08 May 2020 13:16:55 +0800</pubDate><description><![CDATA[决策树数据集实战可视化评价
决策树是什么？决策树(decision tree)是一种基本的分类与回归方法。举个通俗易懂的例子，流程图就是一种决策树。
有没有车，没车的话有没有房，没房的话有没有存款，没存款pass。这个流程就是一个简单的决策树。
分类决策树模型是一种描述对实例进行分类的树形结构。通过很多次判断来决定是否符合某类的特征。
数据集
首先附上数据集：
链接：https://pan.bai...]]></description><category></category></item><item><title><![CDATA[Python：三维空间的概率密度函数(附代码数据集)]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/105977653</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/105977653</guid><author>ABin_203</author><pubDate>Thu, 07 May 2020 19:18:05 +0800</pubDate><description><![CDATA[二维高斯分布概率密度函数数据集实战优化坐标轴与图像优化图像再次优化
概率密度函数
大家肯定都有听说过正态分布，其实正态分布只是概率密度分布的一种，正态分布的概率密度函数均值为μ ，标准差σ是高斯函数的一个实例：
f(x;μ,σ)=1σ2πexp⁡(−(x−μ)22σ2)
f(x ; \mu, \sigma)=\frac{1}{\sigma \sqrt{2 \pi}} \exp \left(-\fr...]]></description><category></category></item><item><title><![CDATA[机器学习模型对比:无监督学习:Meanshift+DBSCAN+GMM 和 监督学习:KNN(附代码数据集)]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/105848639</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/105848639</guid><author>ABin_203</author><pubDate>Wed, 29 Apr 2020 22:01:55 +0800</pubDate><description><![CDATA[目录数据集无监督学习MeanshiftDBSCANGMM有监督学习KNN综合对比
数据集
继上次的图像聚类后，这次准备对比有监督学习的聚类和无监督学习的聚类，以及无监督学习聚类中，对比在低维度且简单分布的数据中，各个模型的聚类效果。
首先附上数据集：
链接：https://pan.baidu.com/s/1LNu8toOmGXVz9b7t2Ah-6A
提取码：6fwb
这次数据集很简单，就是150...]]></description><category></category></item><item><title><![CDATA[混合模型：基于VGG-16+PCA+Meanshift/DBSCAN的图像分类(附代码数据集)]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/105801219</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/105801219</guid><author>ABin_203</author><pubDate>Mon, 27 Apr 2020 23:43:49 +0800</pubDate><description><![CDATA[混合模型实战简介数据集训练集测试集实战讲解
简介
博主上次做的VGG16训练宝可梦多分类图像识别，5个每类，每个类别250张左右，训练数量并不多，但如果我的训练数量更少呢？因为在现实生活中，没办法穷尽所有的数据。我们期望更多的高质量数据：正常数据，穷尽类别，标注正确；但是现实大部分为普通数据：夹杂异常数据，包含部分类别，标注标准不一致。为了考虑这个问题，我们可以综合许多模型的优点。于是混合模型就出...]]></description><category></category></item><item><title><![CDATA[基于keras+VGG-16的小数据集多分类图像识别(附代码数据集)]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/105713510</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/105713510</guid><author>ABin_203</author><pubDate>Thu, 23 Apr 2020 18:01:31 +0800</pubDate><description><![CDATA[目录数据集VGG-16实战
本文基于有一定的卷积神经网络基础之上进行VGG16模型的套用。
对于卷积神经网络来说，博主不太懂得到底几个卷积层，几个池化层才合适，才能最大程度的训练处我们想要的结果。导致前段时间一直去猜，去试。但是VGG16模型给了我们一个框架，比较适合小白了解CNN结构后进行模仿套用。这篇博客的目的就是能够让大家掌握如何去拆分已经训练好的模型结构，实现灵活使用。这样就能够能熟练的运...]]></description><category></category></item><item><title><![CDATA[win10配置CUDA9.0+Tensorflow-gpu+keras（附安装包链接）]]></title><link>https://blog.youkuaiyun.com/ABin_203/article/details/105707557</link><guid>https://blog.youkuaiyun.com/ABin_203/article/details/105707557</guid><author>ABin_203</author><pubDate>Thu, 23 Apr 2020 14:47:48 +0800</pubDate><description><![CDATA[win10配置Tensorflow-gpu（小白看了包会）前期工作CUDACUDNNTensorflow-GPU
前期工作
在任务栏NVIDA右键点控制面板

上面菜单栏点帮助点系统信息

点击组件，在这里第三行，NVIDIA CUDA 10.0.132就是你支持的cuda版本，这里我支持cuda10版本，但是我装的是cuda9，如果装cuda10也是同理的。

查看你对应的tensorflow-...]]></description><category></category></item></channel></rss>