<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Ango_的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Ango_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Ango_]]></copyright><item><title><![CDATA[PyTorch常用的损失函数(ChatGPT)]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/129094679</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/129094679</guid><author>Ango_</author><pubDate>Fri, 17 Feb 2023 22:23:50 +0800</pubDate><description><![CDATA[具体来说，对于一批大小为。它的计算方式是将模型的预测输出和真实标签作为输入，然后计算它们之间的二元交叉熵损失。它的计算方式是将 Softmax 函数的输出和真实标签作为输入，然后计算它们的交叉熵损失（Cross-entropy Loss）。它的优点是对误差的大值敏感，因此可以使模型更加关注样本中误差较大的部分，从而提高模型的准确性。在计算过程中，二元交叉熵损失越小，表示模型预测的结果和真实结果越接近，模型的性能也越好。在计算过程中，交叉熵损失越小，表示模型预测的结果和真实结果越接近，模型的性能也越好。]]></description><category></category></item><item><title><![CDATA[使用protobuf解析Onnx文件]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/127790921</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/127790921</guid><author>Ango_</author><pubDate>Thu, 10 Nov 2022 16:15:10 +0800</pubDate><description><![CDATA[使用OpenCV加载Onnx推理的时候，无法获取到Onnx的网络输入大小，并且对推理速度要求不高不需要使用TensorRT的时候，如何才能得知Onnx的一些必要的信息，OpenCV没有提供接口，只能自己从Onnx文件中解析了。Onnx文件是使用protobuf序列化后的二进制数据，想要读取里面的信息需要使用protobuf将其反序列化为对象才行。编译 protobuf，使用cmake生成vs工程直接编译即可。使用protoc命令，将编写好的proto文件生成C++类定义文件。]]></description><category></category></item><item><title><![CDATA[NPP图像处理库]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/126466577</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/126466577</guid><author>Ango_</author><pubDate>Mon, 22 Aug 2022 15:15:08 +0800</pubDate><description><![CDATA[英伟达二维图像和信号高性能计算库。]]></description><category></category></item><item><title><![CDATA[OpenCV各模块]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/124571639</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/124571639</guid><author>Ango_</author><pubDate>Wed, 04 May 2022 15:31:47 +0800</pubDate><description><![CDATA[OpenCV最新版本号为 4.5.5，发行版本中共有 72 个模块，其中主要模块有16个，附加模块有 56 个。

主模块源码地址 opencv/opencv at 4.5.5 (github.com)

附加模块源码地址 opencv/opencv_contrib at 4.5.5 (github.com)

主模块就是从官网下载的预编译版的opencv库中包含的模块，下载后开箱即用。额外模块是一些额外提供的功能模块，这里的模块可能是没有测试稳定的新功能，所以没能作为官方发行版本的一部分，也可能是涉及到一]]></description><category></category></item><item><title><![CDATA[C++内存泄露]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/123929266</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/123929266</guid><author>Ango_</author><pubDate>Sat, 02 Apr 2022 21:23:09 +0800</pubDate><description><![CDATA[一、内存泄漏是什么

内存泄漏，是指在程序代码中动态申请的、堆上的内存 由于某种原因、在使用后没有被释放，进而造成内存的浪费。

少部分的内存泄漏不会影响程序的正常运行，不过如果是持续的内存泄漏会耗光系统内存，最终会导致程序卡死甚至系统崩溃。为了避免系统崩溃，在无法申请到内存的时候，要果断调用exit()函数主动杀死进程，而不是试图挽救这个进程。

二、如何察觉到它

如果程序在正常地使用过程中，占用的内存随着时间推移不断增长，一般就说明存在内存泄漏的情况。也可以使用专门的工具来检测程序中的内存泄漏：

在]]></description><category></category></item><item><title><![CDATA[Windows 下编译使用 TCMalloc]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/123610508</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/123610508</guid><author>Ango_</author><pubDate>Sun, 20 Mar 2022 12:10:14 +0800</pubDate><description><![CDATA[Windows上编译使用tcmalloc]]></description><category></category></item><item><title><![CDATA[Sqlite3写性能优化-每秒百万条写入]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/122074816</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/122074816</guid><author>Ango_</author><pubDate>Tue, 21 Dec 2021 22:25:41 +0800</pubDate><description><![CDATA[sqlite3写入速度很慢？那一定是没有找到合适的方法，本文测试了几种方法并提供了测试源代码]]></description><category></category></item><item><title><![CDATA[自动驾驶场景图像分割(Unet)]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/121751666</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/121751666</guid><author>Ango_</author><pubDate>Mon, 06 Dec 2021 17:29:17 +0800</pubDate><description><![CDATA[使用Unet进行自动驾驶场景图像分割。]]></description><category></category></item><item><title><![CDATA[使用LibTorch训练模型(pytorch c++)]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/120091837</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/120091837</guid><author>Ango_</author><pubDate>Fri, 03 Sep 2021 22:53:44 +0800</pubDate><description><![CDATA[libtorch需要使用c++14的编译器

下载LibTorch，官网下载 https://pytorch.org/

调试的时候建议使用cpu+debug版本，到实际使用部署的时候再切换为cuda版本。

helloworld


#include "torch/library.h"
#include "torch/script.h"

int main()
{
	torch::Tensor output = torch::randn({ 3,2 });
	std::cout &lt;&lt; outp]]></description><category></category></item><item><title><![CDATA[nvJPEG压缩图像]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/119782848</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/119782848</guid><author>Ango_</author><pubDate>Wed, 18 Aug 2021 16:15:57 +0800</pubDate><description><![CDATA[定义用到的变量


nvjpegHandle_t nvjpeg_handle;         // nvjpeg句柄
nvjpegEncoderState_t encoder_state;   // 
nvjpegEncoderParams_t encoder_params; // 


准备图像数据，输入数据指针应该是显存指针，每个颜色分量分别存储


nvjpegImage_t input;
nvjpegInputFormat_t input_format = NVJPEG_INPUT_BGR;

i]]></description><category></category></item><item><title><![CDATA[TensorRT入门介绍]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/116140436</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/116140436</guid><author>Ango_</author><pubDate>Sun, 25 Apr 2021 23:21:25 +0800</pubDate><description><![CDATA[https://docs.nvidia.com/deeplearning/tensorrt/developer-guide/index.html

什么是TensorRT

TensorRT是由Nvidia推出的C++语言开发的高性能神经网络推理库，是一个用于生产部署的优化器和运行时引擎。其高性能计算能力依赖于Nvidia的图形处理单元。它专注于推理任务，与常用的神经网络学习框架形成互补，包括TensorFlow、Caffe、PyTorch、MXNet等。可以直接载入这些框架的已训练模型文件，也提供了API]]></description><category></category></item><item><title><![CDATA[图像去噪-算法分类]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/116110935</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/116110935</guid><author>Ango_</author><pubDate>Sat, 24 Apr 2021 23:35:33 +0800</pubDate><description><![CDATA[噪声影响

图像在采集的过程中，难免会收到外接或相机内部的干扰，导致采集到的图像上存在或多或少的噪声。如果噪声比较严重，在后续的分析处理之前需要对图像进行一次去噪处理，否则将会严重影响视觉效果以及分析结果。

噪声模型可参考上篇文章 https://blog.youkuaiyun.com/Ango_/article/details/115423693

去噪算法的分类

滤波算法
	空间域
		局部滤波
			线性滤波
				均值滤波 https://blog.youkuaiyun.com/Ibelievesunshine/ar]]></description><category></category></item><item><title><![CDATA[CNN网络经典之作-LeNet5详解]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115922404</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115922404</guid><author>Ango_</author><pubDate>Wed, 21 Apr 2021 00:19:33 +0800</pubDate><description><![CDATA[LeNet5 介绍

LeNet通常就指LeNet5，该网络诞生于1998年，作者是Yann LeCun，当初被设计用来识别手写数字，是最早的CNN网络之一，被后续学者奉为经典，该论文的下载地址 http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=054E02BBBFEFE6B1C98D119DC503F6A7?doi=10.1.1.42.7665&amp;rep=rep1&amp;type=pdf

在加拿大瑞尔森大学的官网上，有一个LeNet]]></description><category></category></item><item><title><![CDATA[torchvision功能简介]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115842637</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115842637</guid><author>Ango_</author><pubDate>Sun, 18 Apr 2021 23:48:43 +0800</pubDate><description><![CDATA[介绍

Torchvision是torch的一部分，主要提供一些torch的辅助功能，主要分为六部分内容：

torchvision.datasets
	torchvision.io
	torchvision.models
	torchvision.ops
	torchvision.transforms
	torchvision.utils
torchvision.datasets

包含比较常用的一些数据集的下载和加载功能，例如 MINST、COCO、VOC 等数据集。

完整列表可查看 https://]]></description><category></category></item><item><title><![CDATA[图像去噪-噪声模型]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115423693</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115423693</guid><author>Ango_</author><pubDate>Sun, 04 Apr 2021 00:58:02 +0800</pubDate><description><![CDATA[噪声来源
相机传感器在拍摄图像的时候，可能会收到外界环境以及感光芯片本身质量的影响，成像之后在传输的过程中的传输介质也可能受到其他干扰，导致最终接收到的图像上存在一些干扰信息，这些干扰信息，被称之为噪声。在后续的图像分析过程中，如果不事先把噪声去除掉，将会影响图像分析的结果。
常见的图像噪声

椒盐噪声
高斯噪声
泊松噪声
周期性噪声

原始图像
i = imread('lena.jpg');
imshow(i);


椒盐噪声
盐粒噪声：随机添加到图像上的像素值为255的白点噪声。
胡椒噪声：随机添加到图]]></description><category></category></item><item><title><![CDATA[Matlab图像分割(U-Net)]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115252616</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115252616</guid><author>Ango_</author><pubDate>Fri, 26 Mar 2021 18:37:41 +0800</pubDate><description><![CDATA[Unet网络

Unet是一种编码-解码结构相结合的神经网络结构，是一种语义分割网络。在医学图像分割的相关应用中被广泛使用。使用matlab可以快速实现网络结构的定义和训练。

数据集准备

准备待训练图像和相对应的标注图像，将图像和标注图像分别存放到不同的目录中，通过相同的文件名进行一一对应。




%% 数据集加载
dataSetDir = fullfile('./data');
imageDir = fullfile(dataSetDir,'trainingImages');
labelDir = ]]></description><category></category></item><item><title><![CDATA[一文讲透：2G/3G/4G/5G移动通信的身份认证与鉴权机制]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115206734</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115206734</guid><author>Ango_</author><pubDate>Fri, 26 Mar 2021 15:14:49 +0800</pubDate><description><![CDATA[通信网的身份认证

运营商移动通信网的接入认证是蜂窝通信的服务基础，为用户接入通信网提供了基础的准入保障。纵观历代移动通信网鉴权技术，从鉴权方向上看主要是两大类：单向鉴权→双向鉴权。这里的单向鉴权主要指通信网络对用户的鉴权，而不是反过来；双向鉴权就是用户和移动通信网络双向鉴权。

一，2G时代的认证与鉴权

第一代模拟通信系统（就是常见的大哥大），基本上是没有安全防护机制的。到了2G GSM时代，模拟通信系统变成了数字通信系统，增加了很多安全能力。包括，空口信息加密、身份认证鉴权、身份标识码和过期用户过滤。]]></description><category></category></item><item><title><![CDATA[2021-03-26-Centos7.4下K8s的安装与部署]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115229226</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115229226</guid><author>Ango_</author><pubDate>Fri, 26 Mar 2021 10:17:10 +0800</pubDate><description><![CDATA[一、简介
	版本信息
		安装方式
	
	二、部署结构
	部署结构图
		Kubernetes结构说明
		组件介绍
	
	三、准备工作
	域名和主机名
		主机时间同步
		关闭防火墙服务
		关闭并禁用SElinux
		关闭Swap
		调整系统参数
		安装yum管理工具，Docker存储驱动
		添加yum镜像源配置
		卸载旧版本Docker
		安装Docker
		配置Docker lib存储目录
		添加docker镜像代理
		添加kubernetes镜像源
		安装kubeadm工具
]]></description><category></category></item><item><title><![CDATA[2021-03-25 通俗易懂剖析Zookeeper]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115207110</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115207110</guid><author>Ango_</author><pubDate>Thu, 25 Mar 2021 14:24:58 +0800</pubDate><description><![CDATA[zookeeper是一个非常好用的产品化工具，是Apache的顶层产品，应用广泛。其应用范围、应用方式、架构逻辑和组成可以给我们具体的应用带来很多启示。

   其实在网上也有了很多关于zookeeper的介绍，但总是相对零散，不够通俗和全面，在看了ZooKeeper的各种材料后，尝试总结一下ZooKeeper到底是一个什么东西。本文主要是从zookeeper的原理、设计及应用场景方面分析zookeeper的技术逻辑，尝试从更通俗、全面的角度进行zookeeper的技术解读，方面大家理...]]></description><category></category></item><item><title><![CDATA[私有镜像仓库Harbor的安装与部署]]></title><link>https://blog.youkuaiyun.com/Ango_/article/details/115160581</link><guid>https://blog.youkuaiyun.com/Ango_/article/details/115160581</guid><author>Ango_</author><pubDate>Wed, 24 Mar 2021 09:54:57 +0800</pubDate><description><![CDATA[一、介绍

Harbor是VMware公司开源的企业级Docker Registry项目，其目标是帮助用户迅速搭建一个企业级的Docker registry服务。

它以Docker公司开源的registry为基础，提供了管理UI，基于角色的访问控制(Role Based AccessControl)，AD/LDAP集成、以及审计日志(Auditlogging) 等企业用户需求的功能，通过添加一些企业必需的功能特性，例如安全、标识和管理等，扩展了开源 Docker Distribution。

作为一个企业]]></description><category></category></item></channel></rss>