<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ChaoMartin的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ChaoMartin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ChaoMartin]]></copyright><item><title><![CDATA[Python中list, ndarry数据中元素的统计方法]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/125007019</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/125007019</guid><author>ChaoMartin</author><pubDate>Fri, 27 May 2022 16:51:56 +0800</pubDate><description><![CDATA[好用的代码  记不住就写下来。]]></description><category></category></item><item><title><![CDATA[torch.load_state_dict()函数的用法总结]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/118686268</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/118686268</guid><author>ChaoMartin</author><pubDate>Mon, 12 Jul 2021 23:31:44 +0800</pubDate><description><![CDATA[在Pytorch中构建好一个模型后，一般需要进行预训练权重中加载。torch.load_state_dict()函数就是用于将预训练的参数权重加载到新的模型之中，操作方式如下所示：


sd_net = torchvision.models.resnte50(pretrained=False)
sd_net.load_state_dict(torch.load('*.pth'), strict=True)

在本博文中重点关注的是 属性 strict; 当strict=True,要求预训练权重层数的键值与新]]></description><category></category></item><item><title><![CDATA[Python中图片处理方法  （总结）]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/110143806</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/110143806</guid><author>ChaoMartin</author><pubDate>Wed, 25 Nov 2020 21:08:20 +0800</pubDate><description><![CDATA[Python中图片处理方法 -- 进阶一级目录1.Python中将源文件夹中图片复制到指定文件夹2.Python中获取文件夹内指定后缀的所有文件的文件名三级目录
一级目录
1.Python中将源文件夹中图片复制到指定文件夹
import os
import shutil
src = os.path.join(src_dir, name)  # 源文件夹中图片的绝对路径
dst = os.path.join(dst_dir, name)  # 目标文件夹路径中图片绝对路径
shutil.copy(src, d]]></description><category></category></item><item><title><![CDATA[matplotlib.pyplot画图--进阶]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/109474102</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/109474102</guid><author>ChaoMartin</author><pubDate>Tue, 03 Nov 2020 17:54:41 +0800</pubDate><description><![CDATA[柱状图 （刻度值倾斜–指定维设定颜色–标注字体等）
应用场景：目标检测平均类别精度分析问题中，类别过多，横向表格略显拥挤，因此可以用bar()来进行表达。
-----------------------------------------------先上效果图----------------------------------------------
-----------------------------------------------Code---------------------------.]]></description><category></category></item><item><title><![CDATA[Python中列表 list 的加减乘除运算总结]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/109453969</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/109453969</guid><author>ChaoMartin</author><pubDate>Mon, 02 Nov 2020 21:18:07 +0800</pubDate><description><![CDATA[Python中列表运算总结列表的创建及基本用法列表的 + - × ÷
Python中列表list是一种常用（最基本）的数据类型，其四则运算和MATLAB、numpy等数据结构不太一样。
列表的创建及基本用法

基本创建：把逗号分隔的不同数据项采用方括号括起来，注意，列表索引值从0开始；list_1 = [1, 2, 3, 4, 5]
利用list()函数创建； list_2 = list([6, 7, 8, 9, 10])
添加元素： list_2.append(1)
删除元素：del list_1[0]
]]></description><category></category></item><item><title><![CDATA[空列表，空数组 --append（）尾部追加数据]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/109377756</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/109377756</guid><author>ChaoMartin</author><pubDate>Fri, 30 Oct 2020 08:25:14 +0800</pubDate><description><![CDATA[利用append()函数向空列表list， 空np.ndarray尾部追加数据

利用append()函数向list尾部追加数据
这是一种常见的方式，例如：

import numpy as np
list_var = list()
for i in range(5):
    list_var.append(i)
list_var = np.array(list_var)  # 将列表转化为ndarray数组格式 


直接定义空np.ndarray数据，再利用append()存储数据（不常见但高级）

]]></description><category></category></item><item><title><![CDATA[Pytorch--Numpy--Random中的随机种子函数: seed(number)用法总结]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/109350614</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/109350614</guid><author>ChaoMartin</author><pubDate>Thu, 29 Oct 2020 09:04:09 +0800</pubDate><description><![CDATA[保持随机初始化的一致性 -- 随机种子函数seedtorch 和numpy中随机初始化的一致性torch.manual_seed(number)torch.cuda.manual_seed(number)torch.cuda.manual_seed_all(number)numpy.random.seed(number)random.seed(number)
torch 和numpy中随机初始化的一致性
torch.manual_seed(number)
https://pytorch.org/docs/m]]></description><category></category></item><item><title><![CDATA[非极大值抑制算法总结（NMS, soft-NMS）]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/109347311</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/109347311</guid><author>ChaoMartin</author><pubDate>Wed, 28 Oct 2020 23:20:43 +0800</pubDate><description><![CDATA[NMS-非极大值抑制算法总结greedy-nms、soft-nms标准非极大值抑制 - NMS软阈值NMS - soft-NMS
greedy-nms、soft-nms
greedy-NMS是最传统的（标准）的非极大值抑制算法，soft-NMS是前者的改进版本。下面将分别从两者的原理与代码实现方面进行分析总结。
标准非极大值抑制 - NMS
标准NMS算法的流程：
1.首先对需要进行抑制的同类别bounding-boxes按照预测的置信度conf进行降序排序；
2.取出排好序的ns_boxes中的第一项， ]]></description><category></category></item><item><title><![CDATA[Python中使用警告：UserWarning: loadtxt: Empty input file: “/home/***/**/*.txt“的解决方案]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/107112547</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/107112547</guid><author>ChaoMartin</author><pubDate>Fri, 03 Jul 2020 19:03:07 +0800</pubDate><description><![CDATA[问题描述：

UserWarning: loadtxt: Empty input file: "/home/zh/PytorchProjects/00-DataSet/COCO2014/labels/train2014/COCO_train2014_000000195266.txt

这只是一个使用警告，并不影响使用。警告loadtxt()函数可能读入空文件。

解决方案：

import warnings

with warnings.catch_warnings():

 warnings....]]></description><category></category></item><item><title><![CDATA[PyTorch自学系列之  pretrained model usage]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/103062545</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/103062545</guid><author>ChaoMartin</author><pubDate>Thu, 14 Nov 2019 19:59:54 +0800</pubDate><description><![CDATA[首先为了尊重他人贡献，本博客参考链接为：https://blog.youkuaiyun.com/VictoriaW/article/details/72821329（感谢知识传递者）

楼主使用预训练模型的初衷是：目标识别检测框架在不同的计算机视觉应用中性能的提升很大一部分原因是由于骨干网络的西能提升，为了使用更好的Backbone获取feature map,所以有必要学习如何使用更好的预训练模型。

套路...]]></description><category></category></item><item><title><![CDATA[结构化随机森林 代码说明]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/79467953</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/79467953</guid><author>ChaoMartin</author><pubDate>Wed, 07 Mar 2018 10:54:55 +0800</pubDate><description><![CDATA[之前利用积分在优快云上面下载了一个名为：“结构化随机森林”的代码，寻找合适的代码过程还是比较辛酸，因此就在博主的评论区里留下邮箱，但是这一段时间过来，太多人发邮件、加好友来索要代码，现在我就将代码发上来，供大家下载。（代码还没有完全跑通，我只是借鉴其中的一部分coding）。链接: https://pan.baidu.com/s/1v-RtilQ1XZ2h218l7IQj8A 密码: j8ch...]]></description><category></category></item><item><title><![CDATA[matlab中如何从一个矩阵的行列中找出 0 元素的个数 或者位置 并作为判断条件]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/52201867</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/52201867</guid><author>ChaoMartin</author><pubDate>Sat, 13 Aug 2016 21:45:34 +0800</pubDate><description><![CDATA[问题描述：  2维数组A[2,100]，要求根据A（1，：）中的非零元素的索引值来对数组做相应的处理！  在网上可以查阅到 find（）函数的各种用法，也可以查询到 isnan()函数的用法，但是没有说直接找到第一个非零元素及其索引值，或者所有非零元素的个数及其索引值，为了解决这个问题，我查阅了很多书籍和资料，终于找到一种方法可以解决。
废话少说，直接上我的调试代码才是关键：]]></description><category></category></item><item><title><![CDATA[一种高效率的排序方法-归并排序的实现（主要解决matlab中多维数组排序的问题）]]></title><link>https://blog.youkuaiyun.com/ChaoMartin/article/details/52089144</link><guid>https://blog.youkuaiyun.com/ChaoMartin/article/details/52089144</guid><author>ChaoMartin</author><pubDate>Mon, 01 Aug 2016 21:07:24 +0800</pubDate><description><![CDATA[问题：在MATLAB中有一个专门排序的函数 sort（），但是该函数对于一维数组的排序非常便捷，但是对于多维数组按照某一个标准来排序就出现困难。对于一般排序来说，如果数据量在100-1000个之间可以选择“冒泡法”进行排序，这种方法容易理解，也容易编写，但是数据量过大时，冒泡法在执行效率上会出现问题。这是就有一种算法复杂程度为：nlogn的排序方法--归并排序。






%归并排]]></description><category></category></item></channel></rss>