<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[OO]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Alphabetic</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Alphabetic]]></copyright><item><title><![CDATA[pytorch---Cosine learning rate scheduler]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/120188195</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/120188195</guid><author>Alphabetic</author><pubDate>Wed, 08 Sep 2021 20:38:04 +0800</pubDate><description><![CDATA[余弦学习率衰减

公式：



需要用到lambda 表达式：

lambda：epoch: (epoch / 40) if epoch &lt; 40else 0.5 * (math.cos(40/100) * math.pi) + 1)

初始学习率为lr=10^-3

如果是总的100个epoch，只使用后60个应用余弦学习率衰减，那么前40个不作cosine计算，前40个epoch的学习率为：lr1=epoch/40*lr， 那么后60个epoch适用0.5 * (math.cos(40/100).]]></description><category></category></item><item><title><![CDATA[pytorch图像加载问题]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/119144560</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/119144560</guid><author>Alphabetic</author><pubDate>Tue, 27 Jul 2021 15:18:50 +0800</pubDate><description><![CDATA[使用pytorch制作图像数据集时，需要将存储在磁盘、硬盘的图像读取到内存中，涉及到图像I/O问题。在python中，图像处理主要采用的库：skimage, opencv-python, Pillow (PIL)。 这三个库均提供了图像读取的方法。

三种主流图像处理库的比较：



实验内容

读取图像

准备一张测试图像，彩色32bit




import matplotlib.pyplot as plt
import skimage.io as io
import cv2
from PIL impo]]></description><category></category></item><item><title><![CDATA[深度学习训练时GPU利用率忽高忽低问题]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/117322618</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/117322618</guid><author>Alphabetic</author><pubDate>Thu, 27 May 2021 10:19:22 +0800</pubDate><description><![CDATA[gpu利用率经常在0-99%之间跳动，找了一圈原因，可能是以下几点：

1.数据预处理：CPU预处理太长，GPU空闲跟不上





解决办法：

可能是读数据或者数据预处理的时间过长，读数据部分可以尝试把全部或者部分数据放在内存，也可以放固态上。

数据预处理部分有些变换是否可以固定，假如是图像数据，有些resize或者padding的操作是否可以离线处理好。

适当调整dataloader读数据的线程数 pin_memory=4/8。
...]]></description><category></category></item><item><title><![CDATA[Linux下安装各种程序和遇到的问题解决方案汇总]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/117121001</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/117121001</guid><author>Alphabetic</author><pubDate>Fri, 21 May 2021 14:45:42 +0800</pubDate><description><![CDATA[1.pytorch安装

安装完CUDA后，进入pytorch官网，https://pytorch.org/



选取配置获取命令：pip3 install torch torchvision torchaudio

网速非常差的，可以用镜像设置临时的Pip源

命令如下：pip3 install torch torchvision torchaudio -i https://pypi.mirrors.ustc.edu.cn/simple/



对是否安装成功进行测试：

首先输入：python3...]]></description><category></category></item><item><title><![CDATA[2.2 Pytorch教程-数据操作]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/109379083</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/109379083</guid><author>Alphabetic</author><pubDate>Fri, 30 Oct 2020 11:14:07 +0800</pubDate><description><![CDATA[在Pytorch中，torch.Tensor是存储和变换数据的主要工具。“tensor”一般理解为“张量”，张量可以看作为一个多维数组。如矩阵为2维张量。

1.创建tensor

首先导入PyTorch：


import torch

(1)创建一个5x3未初始化的Tensor：


x = torch.empty(5, 3)
print(x)

输出：



(2)创建一个5x3的随机初始化的Tensor：


x = torch.rand(5, 3)
print(x)

输出：



(3)创建一个]]></description><category></category></item><item><title><![CDATA[Windows下成功安装PyTorch教程（国内镜像）以及PyCharm环境配置]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/106917722</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/106917722</guid><author>Alphabetic</author><pubDate>Tue, 23 Jun 2020 11:33:43 +0800</pubDate><description><![CDATA[安装步骤可分为以下几步：

目录

1. Anaconda下载

2. Anaconda安装

3. 显卡配置（无GPU可忽略）

4. 有序管理环境

5. 安装PyTorch

6. 验证安装成功

7. Pycharm下环境配置

1. Anaconda下载

  Anaconda是一个集成了常用于科学分析（机器学习，深度学习）的大量工具包。Anaconda的下载地址：地址。（个人使用的是python3.6，推荐3.6版本）



推荐：Anaconda历史版本链接：点击这里，选择这个版本： A...]]></description><category></category></item><item><title><![CDATA[图像加密-光学加密方法]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/88941260</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/88941260</guid><author>Alphabetic</author><pubDate>Mon, 01 Apr 2019 09:16:35 +0800</pubDate><description><![CDATA[光学加密是一种典型高效的图像加密方法，其本质是通过光学变换过程，诸如干涉、衍射、成像等对明文图像的内在信息进行扰乱编码从而实现

加密，达到良好的加密效果。

　　而在加密过程中，通常涉及到的属性包含波长、焦距、衍射距离、相位等属性，这些属性可以作为加密系统的多维密钥。

　　光学加密的优势在于：光学信息安全技术具有多维、大容量、设计自由度高、复杂度高等优点。

   Refregier于...]]></description><category></category></item><item><title><![CDATA[2.应用于线性回归中的梯度下降方法]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/80862302</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/80862302</guid><author>Alphabetic</author><pubDate>Sat, 30 Jun 2018 11:31:56 +0800</pubDate><description><![CDATA[本文将详细的叙述①线性回归，②梯度下降方法以及③在线性回归中应用梯度下降方法。]]></description><category></category></item><item><title><![CDATA[图像处理中梯度详解 及gradient()函数]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/80766630</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/80766630</guid><author>Alphabetic</author><pubDate>Sat, 23 Jun 2018 09:08:02 +0800</pubDate><description><![CDATA[图像在计算机中以数字图像的形式存储，即以数值矩阵的形式存在，形成了离散的数值信号，在此基础上，对于图像处理中的数值的多样性计算分析也影响着初步图像分析。1.图像梯度的定义图像函数f(x,y)在点(x,y)的梯度是一个具有大小和方向的矢量，设为Gx 和 Gy 分别表示x方向和y方向的梯度，这个梯度的矢量可以表示为：图像梯度：G(x,y)=dx i +dy j;dx(i,j)=Img(i+1,j)-I...]]></description><category></category></item><item><title><![CDATA[1.ML-监督学习(supervised learning)与无监督学习(unsupervised learning)]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/80778781</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/80778781</guid><author>Alphabetic</author><pubDate>Sat, 23 Jun 2018 08:59:38 +0800</pubDate><description><![CDATA[1.1监督学习(supervised learning)初步定义：给定一个数据集，并且给定正确答案，数据集中的每个例子，算法将预测得到例子的“正确答案”。]]></description><category></category></item><item><title><![CDATA[图像  结构张量(structure tensor)]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/80329480</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/80329480</guid><author>Alphabetic</author><pubDate>Tue, 15 May 2018 21:34:30 +0800</pubDate><description><![CDATA[结构张量(structure tensor) 主要用于区分图像的平坦区域、边缘区域与角点区域。此处的张量就是一个关于图像的结构矩阵，矩阵结构构成如下：Rx,Ry分别为图像的水平与垂直梯度，而后进行求矩阵T的行列式K与迹(trace)H。根据K与H的关系来求得区分图像的平坦、边缘与角点区域：平坦区域：H=0;边缘区域：H&amp;gt;0 &amp;amp;&amp;amp; K=0;角点区域：H&amp;gt;0 &amp;amp;&amp;a...]]></description><category></category></item><item><title><![CDATA[Matlab中fspecial(), mean(), mean2(),std2() 用法及区别]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/79624184</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/79624184</guid><author>Alphabetic</author><pubDate>Tue, 20 Mar 2018 13:19:51 +0800</pubDate><description><![CDATA[1.fspecial()fspecial函数是创建预定义的滤波算子，语法格式为：h = fspecial(type)h = fspecial(type,parameters,sigma)参数type制定算子类型，parameters指定相应的参数，具体格式为：type='average'，为均值滤波，参数为n，代表模版尺寸，用向量表示，默认值为[3,3]。type= 'gaussian'，为高斯低...]]></description><category></category></item><item><title><![CDATA[EPI(epipolar plane image)简介]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/79216034</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/79216034</guid><author>Alphabetic</author><pubDate>Wed, 31 Jan 2018 13:33:33 +0800</pubDate><description><![CDATA[EPI
两个平面的参数化，分别为相机平面和图像平面，图像平面IIuv坐标(u,v)，相机平面IIst坐标(s,t)。
在EPI中，每个相应的像素投射到平面中一条线上，两个平面中的两条线构成的斜率反映了场景点的深度，如下图：


光线通过相机平面st，后穿过图像平面uv，形成众多的像素点，其中一点P便可投射到t*和v*的两条直线上，而△s与△u的比例变为EPI线的斜率。
下图为在对实际图]]></description><category></category></item><item><title><![CDATA[QT 各版本完全下载地址 及在VS中qt插件下载地址]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/78984891</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/78984891</guid><author>Alphabetic</author><pubDate>Fri, 05 Jan 2018 20:21:31 +0800</pubDate><description><![CDATA[1.QT各版本地址：下载地址








2.VS插件qt下载地址：下载地址]]></description><category></category></item><item><title><![CDATA[图像处理中 光场（Light Field）简介及理解]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/78797349</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/78797349</guid><author>Alphabetic</author><pubDate>Sun, 31 Dec 2017 17:51:47 +0800</pubDate><description><![CDATA[光场（Light Field ）
是一个四维的参数化表示，是空间中同时包含位置和方向信息的四维光辐射场，简单地说，涵盖了光线在传播中的所有信息。

光线携带二维位置信息( u，v)
和二维方向信息( x，y)
在光场中传递。]]></description><category></category></item><item><title><![CDATA[梯度下降法（Gradient Descent）概述]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/78704183</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/78704183</guid><author>Alphabetic</author><pubDate>Sun, 03 Dec 2017 21:01:24 +0800</pubDate><description><![CDATA[原文出处：https://www.cnblogs.com/pinard/p/5970503.html　




在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。

1. 梯度

　　　　在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏]]></description><category></category></item><item><title><![CDATA[HDU 1231 最大连续子序列]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/78693574</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/78693574</guid><author>Alphabetic</author><pubDate>Sat, 02 Dec 2017 11:06:48 +0800</pubDate><description><![CDATA[Problem Description

给定K个整数的序列{ N1, N2, ..., NK }，其任意连续子序列可表示为{ Ni, Ni+1, ...,

Nj }，其中 1 
例如给定序列{ -2, 11, -4, 13, -5, -2 }，其最大连续子序列为{ 11, -4, 13 }，最大和 
为20。 
在今年的数据结构考卷中，要求编写程序得到最大和，现在增加一个要求，即]]></description><category></category></item><item><title><![CDATA[数学期望、方差、矩（moments）、倾斜度（skewness）及峰度（kurtosis）的理解及c/c++实现]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/78635540</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/78635540</guid><author>Alphabetic</author><pubDate>Sun, 26 Nov 2017 10:47:13 +0800</pubDate><description><![CDATA[在概率论中期望，方差等是基础知识点，下面简单介绍一下个人所理解的几点及实现过程，如有错误之处请指出，仅供学习参考。
转载请注明出处。
1.分布函数


2.概率密度函数
直意为对分布函数的求导，数学公式如下，


3.数学期望


式1表示为离散的，2为连续。
4.矩（moments）




5.方差与矩的关系
方差主要表示随机变量围绕中心值的散布程度。]]></description><category></category></item><item><title><![CDATA[acm 不容易系列  信封问题 c++实现]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/78255870</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/78255870</guid><author>Alphabetic</author><pubDate>Mon, 16 Oct 2017 23:40:45 +0800</pubDate><description><![CDATA[大家常常感慨，要做好一件事情真的不容易，确实，失败比成功容易多了！ 
做好“一件”事情尚且不易，若想永远成功而总从不失败，那更是难上加难了，就像花钱总是比挣钱容易的道理一样。 
话虽这样说，我还是要告诉大家，要想失败到一定程度也是不容易的。比如，我高中的时候，就有一个神奇的女生，在英语考试的时候，竟然把40个单项选择题全部做错了！大家都学过概率论，应该知道出现这种情况的概率，所以至今我都觉得这]]></description><category></category></item><item><title><![CDATA[acm  输入输出处理入门 A+B（I）  C++实现]]></title><link>https://blog.youkuaiyun.com/Alphabetic/article/details/78089949</link><guid>https://blog.youkuaiyun.com/Alphabetic/article/details/78089949</guid><author>Alphabetic</author><pubDate>Mon, 25 Sep 2017 21:55:38 +0800</pubDate><description><![CDATA[最近在vjudge上做了一些简单算法入门题目练习，下面进行一个简单的整理归纳，希望与大家一起分享，程序中难免有不足之处，敬请见谅！




A+B for Input-Output Practice (I)
 



Your task is to Calculate a + b. 
Too easy?! Of course! I specially designed the]]></description><category></category></item></channel></rss>