<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Bluebro的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Bluebro</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Bluebro]]></copyright><item><title><![CDATA[六天入门PyTorch深度学习(1/6)]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/132014849</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/132014849</guid><author>Bluebro</author><pubDate>Mon, 31 Jul 2023 08:41:51 +0800</pubDate><description><![CDATA[Pytorch深度学习快速入门简易教程，适合所有新手学习打好框架基础跟着我的节奏一步一步学，一周即可掌握跟着我的节奏一步一步学，一周即可掌握。]]></description><category></category></item><item><title><![CDATA[action=store_true和store_false理解及实战测试]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/131951245</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/131951245</guid><author>Bluebro</author><pubDate>Thu, 27 Jul 2023 04:58:48 +0800</pubDate><description><![CDATA[store_true 是指带触发 action 时为真，不触发则为假， 即默认 False ，传参 则 设置为 True。· store_false 则与之相反。]]></description><category></category></item><item><title><![CDATA[安装github中的存储库作为Python包]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/131951222</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/131951222</guid><author>Bluebro</author><pubDate>Thu, 27 Jul 2023 04:33:50 +0800</pubDate><description><![CDATA[3、此时会在python的Lib\site-packages文件内生成.egg文件，这时包可以用。要看源代码，可以直接解压egg文件。如果当pip install不能安装包时。第二步，在github上复制该库的链接。第三步，使用命令行一键下载并安装包。1、利用git命令或直接下载到本地。2、进入下载文件，运行。]]></description><category></category></item><item><title><![CDATA[论文笔记|AAAI2023：ESPT: A Self-Supervised Episodic Spatial Pretext Task for Improving Few-Shot Learning]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/130742410</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/130742410</guid><author>Bluebro</author><pubDate>Thu, 18 May 2023 11:25:30 +0800</pubDate><description><![CDATA[1.在FSL的episode训练过程中，目前自监督方法无法捕捉和充分利用图像样本中的局部视觉信息和整个episode的数据结构信息。
2.大多数 SSL pretext 任务都是基于全局图像嵌入构建的，往往会忽略包含更丰富和更可迁移的低级视觉信息的局部空间图像特征
3.现有的 SSL 方法通常单独处理每个输入样本，无法充分利用 few-shot episode 中多个图像样本的相互关系，这将导致整个 episode 的数据结构信息丢失]]></description><category></category></item><item><title><![CDATA[论文笔记|CVPR2023:Supervised Masked Knowledge Distillation for Few-Shot Transformers]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/130313500</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/130313500</guid><author>Bluebro</author><pubDate>Tue, 25 Apr 2023 01:59:16 +0800</pubDate><description><![CDATA[这篇论文的题目是 用于小样本Transformers的监督遮掩知识蒸馏
论文接收： CVPR 2023
1.将类标签纳入自监督知识蒸馏中，以填补自监督与监督学习之间的空白，从而有效地利用自监督学习的优势来缓解监督训练的过度拟合问题；
2.在 类(全局) 和 patch(局部) 级别上都制定了监督对比损失，允许在 类 和 patch tokens 上进行类内知识蒸馏，以学习到效果更好的小样本Transformer模型；
3.引入跨类内图像遮掩patch tokens重建的挑战性任务，以提高模型泛化性能。
]]></description><category></category></item><item><title><![CDATA[使用pytorch划分数据集和加载数据]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/130175716</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/130175716</guid><author>Bluebro</author><pubDate>Sat, 15 Apr 2023 21:36:41 +0800</pubDate><description><![CDATA[使用pytorch需要 手动 划分数据集为训练集、验证集、测试集。以下面这个数据集为例对数据集进行划分实验结果。]]></description><category></category></item><item><title><![CDATA[spspsp]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/130071581</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/130071581</guid><author>Bluebro</author><pubDate>Tue, 11 Apr 2023 04:22:13 +0800</pubDate><description><![CDATA[一方面因为通过少量样本去识别新类别很难，就想使用一些其他模态的信息辅助学习，文本特征可能包含新类和已知类之间的语义关系，所以是一个很好的选择。另一方面因为最近一些出现的强大的自然语言处理（NLP）模型能够从类别中提取出丰富且准确的文本信息。因为这些方法直接使用文本嵌入作为图像的分类器，比如 直接 从类名推断出文本原型然后与视觉分类器相结合，这忽略了文本特征和视觉特征之间的，因此文本特征无法与视觉特征很好地交互，从而无法给新类别提供 具有判别性的视觉特征。]]></description><category></category></item><item><title><![CDATA[小样本学习(few-shot learning)介绍]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/130051209</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/130051209</guid><author>Bluebro</author><pubDate>Mon, 10 Apr 2023 18:58:28 +0800</pubDate><description><![CDATA[小样本学习（few-shot learning，FSL）旨在从有限的标记实例（通常只有几个）中学习，并对新的、未见过的实例进行识别。首先，在FSL设置中，通常有三组数据集，包括支持集S、查询集Q和辅助集A。S中的实例类别已知，Q中实例类别未知但一定属于S，S和A的实例类别一定不相交，即S中的类别一定不会出现在A中。
FSL任务通常被设定为 N-way K-shot 的形式，其中N是类别的数量，K是每个类别中标记的样本数量，表示支持集 S有N个类，每个类有K个标记样本。N通常为5。K通常设为1或5]]></description><category></category></item><item><title><![CDATA[主干网络backbone讲解—— Conv4与Resnet12]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/130035707</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/130035707</guid><author>Bluebro</author><pubDate>Sun, 09 Apr 2023 01:56:06 +0800</pubDate><description><![CDATA[在一些论文中，也称为Conv-64F，其中“64F”表示网络中使用了64个滤波器（filters），它包含 4 个重复的卷积块。总体来说，Conv-64F主干网络是一个相对简单的卷积神经网络结构，但在许多图像分类和目标识别任务中已经表现出良好的性能。
Resnet12包含4个残差块，每个残差块有3个卷积层。“12”表示一共有12个卷积层。ResNet12被广泛应用于图像分类、目标检测和语义分割等任务中，其具有优秀的性能和较低的计算复杂度。]]></description><category></category></item><item><title><![CDATA[论文笔记|ECCV2022：Self-Promoted Supervision for Few-Shot Transformer]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/129990479</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/129990479</guid><author>Bluebro</author><pubDate>Thu, 06 Apr 2023 21:50:51 +0800</pubDate><description><![CDATA[这篇论文在2022年发表在ECCV上，论文的题目是用于小样本Transformer的self-promoted supervision（自我推荐监督）。
文章提出了一种新的ViTs的小样本训练框架，即self-promoted supervision（SUN），它的核心是通过密集的特定位置的监督来快速准确地学习patch tokens地依赖关系，解决Transfomrer较差归纳偏置的问题。]]></description><category></category></item><item><title><![CDATA[MYSQL二级操作题]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/129737721</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/129737721</guid><author>Bluebro</author><pubDate>Sat, 25 Mar 2023 11:34:59 +0800</pubDate><description><![CDATA[1.将tb_employee表中的salary字段的默认值修改为35002.为采购部建立一个员工视图v_emp3.新建一个用户，用户名为Yaoming，主机位localhost，密码为abc1234.授予对商品表中商品号和商品名字段的select权限5、tb_student添加一个字段ssex，数据类型为char，长度为1，缺省值为“M”6、在tb_score表上建立一个试图v_avg(cname,caverage)，视图的内容包含课程名称和课程的平均成绩。]]></description><category></category></item><item><title><![CDATA[EnvironmentNotWritableError: The current user does not have write permissions to the target environm]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/129473079</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/129473079</guid><author>Bluebro</author><pubDate>Sun, 12 Mar 2023 10:44:06 +0800</pubDate><description><![CDATA[解决方法：以管理员身份打开anaconda prompt，重新执行命令即可。在Anaconda虚拟环境中安装失败，出现以下情况。]]></description><category></category></item><item><title><![CDATA[【深度学习】Linux GPU服务器常用命令语句]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/129433444</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/129433444</guid><author>Bluebro</author><pubDate>Thu, 09 Mar 2023 23:36:45 +0800</pubDate><description><![CDATA[11.查看当前进程的详细信息，包含使用者等，-f表示详细信息，-a表示全部进程。12.查看当前建立的所有虚拟环境。5.解压一个tar.gz文件。2.实时更新服务器使用情况。1.查看服务器使用情况。3.文件夹所占内存容量。6.解压一个tar文件。7.解压一个zip文件。]]></description><category></category></item><item><title><![CDATA[远程配置深度学习服务器详细教程，配置Conda+PyTorch环境]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/128022161</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/128022161</guid><author>Bluebro</author><pubDate>Thu, 24 Nov 2022 19:54:59 +0800</pubDate><description><![CDATA[进入实验室以后，大家就会用实验室的服务器跑一些深度学习模型。如何连接服务器，以及连接服务器后如何配置conda和PyTorch深度学习框架，在此进行详细的介绍。

首先，在连接服务器之前，需要向服务器的管理员申请个人账号。
接下来我详细介绍连接服务器后如何配conda+pytorch环境
目录
1.安装Anacond
2.配置清华镜像源
3.创建虚拟环境
4.安装PyTorch深度学习框架]]></description><category></category></item><item><title><![CDATA[快速排序的基本思想，C和Python具体代码实现]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/127944964</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/127944964</guid><author>Bluebro</author><pubDate>Sun, 20 Nov 2022 10:08:26 +0800</pubDate><description><![CDATA[首先，在待排序表L[1…n]中任取一个元素（通常取首元素）作为枢轴，记作pivot；通过一趟排序将L分成两部分L[1…k-1]和L[k+1…n]，其中L[1…k-1]的元素都小于pivot，L[k+1…n]都大于pivot，pivot放在了最终位置，这个过程称为一次划分；然后分别递归地对两个子表重复上述过程，直至每部分内只有一个元素或空为止。C语言：
Python语言：

空间复杂度

递归操作需要借助一个递归工作栈最好情况下，空间复杂度=递归层数=二叉树的高度=log2{log_2}log2​n（左子树等]]></description><category></category></item><item><title><![CDATA[深度学习最常用的三个概念：Epoch, Batch, Iteration]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/127858572</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/127858572</guid><author>Bluebro</author><pubDate>Tue, 15 Nov 2022 02:21:22 +0800</pubDate><description><![CDATA[当一个Epoch的样本（也就是所有的训练样本）数量可能太过庞大（对于计算机而言），就需要把它分成多个小块，也就是就是分成多个Batch 来进行训练Batch（批 / 一批样本）：将整个训练样本分成若干个Batch。Batch_Size（批大小）：每批样本的大小。Iteration（一次迭代）：训练一个Batch就是一次Iteration（这个概念跟程序语言中的迭代器相似）。为什么要使用多于一个epoch?]]></description><category></category></item><item><title><![CDATA[Few-Shot Learning：Pretraining（预训练） + Fine Tuning]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/127834822</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/127834822</guid><author>Bluebro</author><pubDate>Sun, 13 Nov 2022 23:07:23 +0800</pubDate><description><![CDATA[用 pretraining (预训练) + Fine Tuning解决小样本学习。虽然这类方法很简单，但是准确率与最好的方法相当。在大规模数据上预训练模型，在小规模数据Support Set上做Fine Tuning。用到Cosine similarity和softmax函数]]></description><category></category></item><item><title><![CDATA[Few-Shot Learning：Siamese Network（孪生网络）]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/127832778</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/127832778</guid><author>Bluebro</author><pubDate>Sun, 13 Nov 2022 16:54:04 +0800</pubDate><description><![CDATA[用Siamese Network (孪生网络) 解决Few-shot learning (小样本学习)。Siamese Network并不是Meta Learning最好的方法，但是通过学习Siamese Network，非常有助于理解其他Meta Learning算法。]]></description><category></category></item><item><title><![CDATA[Few-Shot Learning：基本概念]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/127818972</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/127818972</guid><author>Bluebro</author><pubDate>Sat, 12 Nov 2022 23:41:03 +0800</pubDate><description><![CDATA[1.few-shot learing（少样本学习）：意思是用少量带标签的样本来训练就得到一个好的模型去做分类或回归任务
2.few-shot learning是一种meta learning（元学习），**它的目标是learn to learn，即让计算机自己学会学习。
3.Support Set：meta learning中的术语，指很小的样本集，不足以训练大的神经网络，只能在预测时提供一些参考信息。Support Set与训练集不同，训练集很大，足以训练神经网络。
4.query：要预测的图片]]></description><category></category></item><item><title><![CDATA[python使用Canny算法和HoughCiecle算法实现圆的检测与定位]]></title><link>https://blog.youkuaiyun.com/Bluebro/article/details/127781074</link><guid>https://blog.youkuaiyun.com/Bluebro/article/details/127781074</guid><author>Bluebro</author><pubDate>Thu, 10 Nov 2022 01:41:29 +0800</pubDate><description><![CDATA[任务是编写一个钱币定位系统，其不仅能够检测出输入图像中各个钱币的边缘，同时，还能给出各个钱币的圆心坐标与半径。步骤1：使用Canny 算法提取图像边缘
使用高斯滤波器滤波；计算图像的梯度图并获得梯度方向；对梯度图进行非极大化抑制； 使用双阈值法获得最终的边缘图。步骤2：在边缘图上利用Hough变换计算圆心与半径。建立参数空间；依据边缘点的梯度方向对参数空间进行投票； 依据预设定的投票阈值筛选出初步结果； 对已筛选出的结果进行非极大化抑制，得到精确的参数（圆心和半径）。]]></description><category></category></item></channel></rss>