<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dream_xd的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dream_xd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dream_xd]]></copyright><item><title><![CDATA[QT问题： qt.qpa.plugin: Could not load the Qt platform plugin “xcb“ in]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/121305598</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/121305598</guid><author>Dream_xd</author><pubDate>Sat, 13 Nov 2021 15:50:41 +0800</pubDate><description><![CDATA[问题：qt.qpa.plugin: Could not load the Qt platform plugin “xcb” in …

解决方法：opencv-python版本过高，导致QT不兼容，降低opencv-python到4.3.0.36即可解决。

]]></description><category></category></item><item><title><![CDATA[python3.8 @cached_property 缓存装饰器]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/114792636</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/114792636</guid><author>Dream_xd</author><pubDate>Sun, 14 Mar 2021 16:44:21 +0800</pubDate><description><![CDATA[from functools import cached_property

class Foo():
    @cached_property
    def myfunc(self):
        print('using myfunc')
        return 20

    def func1(self):
        return 1
if __name__ == '__main__':
    F = Foo()
    print(F.myfunc)
    print('*']]></description><category></category></item><item><title><![CDATA[零基础入门语义分割-Task4 评价函数与损失函数]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/114272494</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/114272494</guid><author>Dream_xd</author><pubDate>Mon, 01 Mar 2021 22:08:44 +0800</pubDate><description><![CDATA[本文内容主要介绍语义分割中的评价函数和损失函数。

]]></description><category></category></item><item><title><![CDATA[零基础入门语义分割-Task3 语义分割模型发展]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/114156425</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/114156425</guid><author>Dream_xd</author><pubDate>Fri, 26 Feb 2021 23:33:22 +0800</pubDate><description><![CDATA[语义分割模型介绍
本章主要讲解的是语义分割网络模型的发展：FCN 、SegNet、Unet、DeepLab、RefineNet、PSPNet、GAN语义分割。

 FCN
 SegNet
 Unet
 DeepLab
 RefineNet
 PSPNet
 GAN

FCN
FCN首先将图片进行以一系列的卷积和池化操作得到特征图，包含较强的语义信息，但是缺少细节信息，然后利用反卷积对最后一个卷积层得到的特征图进行上采样，得到与原图大小的特征图，从而实现对于每个像素值的预测。
主要特点：

因为只有卷积和池化]]></description><category></category></item><item><title><![CDATA[零基础入门语义分割-Task2 数据扩增]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/114004722</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/114004722</guid><author>Dream_xd</author><pubDate>Tue, 23 Feb 2021 23:08:24 +0800</pubDate><description><![CDATA[本文主要介绍语义分割中的数据增广方法，使用了OpenCV和albumentations两个库完成具体的数据增广操作。
1、常见的数据增广方法
对于语义分割而言，数据增广方法回改变图像的标签，因为在改变图片时，对应的像素会发生变化，导致标签也会发生变化。

水平翻转
垂直翻转
旋转
随机缩放（极其重要）
cutout

2、albumentations数据扩增
albumentations是基于OpenCV的快速训练数据增强库，拥有非常简单且强大的可以用于多种任务（分割、检测）的接口，易于定制且添加其他框架非]]></description><category></category></item><item><title><![CDATA[零基础入门语义分割-Task1 赛题理解]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/113895394</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/113895394</guid><author>Dream_xd</author><pubDate>Sat, 20 Feb 2021 21:27:09 +0800</pubDate><description><![CDATA[1、赛题理解
零基础入门语义分割-地表建筑物识别，是DataWhale与天池联合发起的入门比赛，以计算机视觉为背景，希望通过过此次比赛了解语义分割的相关知识。
1.1Task1学习内容

 理解赛题背景和数据。
 掌握RLE编码。
 解体思路。

2、赛题介绍
2.1 题目介绍
遥感技术已成为获取地表覆盖信息最为行之有效的手段，遥感技术已经成功应用于地表覆盖检测、植被面积检测和建筑物检测任务。本赛题使用航拍数据，需要参赛选手完成地表建筑物识别，将地表航拍图像素划分为有建筑物和无建筑物两类。
如下图，左边为原]]></description><category></category></item><item><title><![CDATA[Python 队列]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/113813891</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/113813891</guid><author>Dream_xd</author><pubDate>Tue, 16 Feb 2021 10:55:21 +0800</pubDate><description><![CDATA[一、队列的定义
二、Python队列的种类

Queue：普通的先进先出（FIFO）队列。
LifoQueue：后进先出（LIFO）队列，类似于栈。
PriorityQueue
deque


]]></description><category></category></item><item><title><![CDATA[Python glob模块介绍]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/112656149</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/112656149</guid><author>Dream_xd</author><pubDate>Fri, 15 Jan 2021 12:46:14 +0800</pubDate><description><![CDATA[glob
glob模块可以根据Unix终端所使用的规则找出所有匹配特定模式的路径名，但会按照不确定的顺序返回结果。
glob.glob(pathname, *, recursive=False)
返回匹配 pathname 的可能为空的路径名列表，其中的元素必须为包含路径信息的字符串。 pathname 可以是绝对路径 (如 /usr/src/Python-1.5/Makefile) 或相对路径 (如 …/…/Tools//.gif)，并且可包含 shell 风格的通配符。 结果也将包含无效的符号链接（与在]]></description><category></category></item><item><title><![CDATA[Python shutil用法]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/112468602</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/112468602</guid><author>Dream_xd</author><pubDate>Mon, 11 Jan 2021 15:35:01 +0800</pubDate><description><![CDATA[shutil介绍
shutil 模块提供了一系列对文件和文件集合的高阶操作。 特别是提供了一些支持文件拷贝和删除的函数。 对于单个文件的操作，请参阅 os 模块。
最常用的主要是copy()、move()等函数。
shutil模块常见函数
1. shutil.copyfileobj(fsrc, fdst[, length])
将文件类对象 fsrc 的内容拷贝到文件类对象 fdst。 copyfileobj是最基本的函数，下面的很多函数都用到了此函数。
import shutil
shutil.copyfi]]></description><category></category></item><item><title><![CDATA[Python 常见的函数操作]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/112219532</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/112219532</guid><author>Dream_xd</author><pubDate>Tue, 05 Jan 2021 11:46:23 +0800</pubDate><description><![CDATA[文章目录mapreducefilter* 和 ** 的用法
map
map(func, *iterables) --&gt; map object

map会根据提供的函数对指定序列做映射，将函数作用在迭代器中的每一个元素上。
reduce
参考：Python reduce() 函数
python3 的reduce已经移到了functools中。
from functools import reduce

reduce(function, sequence[, initial]) -&gt; value

]]></description><category></category></item><item><title><![CDATA[Task05 天池新闻推荐入门赛之【排序模型+模型融合】]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/110753214</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/110753214</guid><author>Dream_xd</author><pubDate>Sun, 06 Dec 2020 19:55:43 +0800</pubDate><description><![CDATA[排序模型
通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。
排序阶段选择了三个比较有代表性的排序模型，它们分别是：

LGB的排序模型
LGB的分类模型
深度学习的分类模型DIN

得到]]></description><category></category></item><item><title><![CDATA[Task04 天池新闻推荐入门赛之【特征工程】]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/110592928</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/110592928</guid><author>Dream_xd</author><pubDate>Thu, 03 Dec 2020 23:19:46 +0800</pubDate><description><![CDATA[我们先捋一下基于原始的给定数据， 有哪些特征可以直接利用：

文章的自身特征， category_id表示这文章的类型， created_at_ts表示文章建立的时间， 这个关系着文章的时效性， words_count是文章的字数， 一般字数太长我们不太喜欢点击, 也不排除有人就喜欢读长文。
文章的内容embedding特征， 这个召回的时候用过， 这里可以选择使用， 也可以选择不用， 也可以尝试其他类型的embedding特征， 比如W2V等
用户的设备特征信息

上面这些直接可以用的特征， 待做完特征工]]></description><category></category></item><item><title><![CDATA[Task03 天池新闻推荐入门赛之【多路召回】]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/110407290</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/110407290</guid><author>Dream_xd</author><pubDate>Mon, 30 Nov 2020 21:57:18 +0800</pubDate><description><![CDATA[召回层的作用
推荐系统的两个重要组成部分就是召回阶段和排序阶段。其中召回阶段负责将海量的候选集缩小至几百到几千的规模；而排序阶段负责对缩小后的候选集进行精准排序。
多路召回
所谓的“多路召回”策略，就是指采用不同的策略、特征或简单模型，分别召回一部分候选集，然后把候选集混合在一起供后续排序模型使用，可以明显的看出，“多路召回策略”是在“计算速度”和“召回率”之间进行权衡的结果。其中，各种简单策略保证候选集的快速召回，从不同角度设计的策略保证召回率接近理想的状态，不至于损伤排序效果。如下图是多路召回的一个示意]]></description><category></category></item><item><title><![CDATA[pytorch安装]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/110389129</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/110389129</guid><author>Dream_xd</author><pubDate>Mon, 30 Nov 2020 15:22:52 +0800</pubDate><description><![CDATA[官方下载
安装pytorch直接去官网下载即可。根据自己的需求进行下载，由于pytorch的源在国外，这里推荐使用conda，然后配置清华镜像进行下载，当然也可以配置清华源pip进行下载（不过pytorch最新版本的无法下载）。

配置conda
请参考conda清华镜像说明。
各系统都可以通过修改用户目录下的 .condarc 文件。Windows 用户无法直接创建名为 .condarc 的文件，可先执行 conda config --set show_channel_urls yes 生成该文件之后再修]]></description><category></category></item><item><title><![CDATA[零基础入门推荐系统【数据分析】Task2]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/110249342</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/110249342</guid><author>Dream_xd</author><pubDate>Fri, 27 Nov 2020 23:00:50 +0800</pubDate><description><![CDATA[数据分析的价值主要在于熟悉了解整个数据集的基本情况包括每个文件里有哪些数据，具体的文件中的每个字段表示什么实际含义，以及数据集中特征之间的相关性，在推荐场景下主要就是分析用户本身的基本属性，文章基本属性，以及用户和文章交互的一些分布，这些都有利于后面的召回策略的选择，以及特征工程。
数据预处理
对用户的点击时间进行排序还有计算用户的点击次数。
数据浏览
train_click_log.csv文件数据中每个字段的含义

user_id: 用户的唯一标识
click_article_id: 用户点击的文章唯一标]]></description><category></category></item><item><title><![CDATA[天池新闻推荐入门赛之【赛题理解+Baseline】Task01]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/110147628</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/110147628</guid><author>Dream_xd</author><pubDate>Wed, 25 Nov 2020 22:51:23 +0800</pubDate><description><![CDATA[赛题简介
这个比赛是新闻推荐场景下的用户行为预测挑战赛，以新闻APP中的新闻推荐为背景，目的是要求我们根据用户历史浏览点击新闻文章的数据信息来预测用户未来的点击行为，即用户的最后一次点击的新闻文章。
数据概况
赛题以预测用户未来点击新闻文章为任务，数据集报名后可见并可下载，该数据来自某新闻APP平台的用户交互数据，包括30万用户，近300万次点击，共36万多篇不同的新闻文章，同时每篇新闻文章有对应的embedding向量表示。为了保证比赛的公平性，将会从中抽取20万用户的点击日志数据作为训练集，5万用户的点]]></description><category></category></item><item><title><![CDATA[LeetCode 分类练习 ：1、分治]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/108112015</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/108112015</guid><author>Dream_xd</author><pubDate>Wed, 19 Aug 2020 22:15:53 +0800</pubDate><description><![CDATA[分治
引文
MapReduce（分治算法的应用） 是 Google 大数据处理的三驾马车之一，另外两个是 GFS 和 Bigtable。它在倒排索引、PageRank 计算、网页分析等搜索引擎相关的技术中都有大量的应用。
尽管开发一个 MapReduce 看起来很高深，感觉遥不可及。实际上，万变不离其宗，它的本质就是分治算法思想，分治算法。如何理解分治算法？为什么说 MapRedue 的本质就是分治算法呢？
主要思想
分治算法的主要思想是将原问题递归地分成若干个子问题，直到子问题满足边界条件，停止递归。将子]]></description><category></category></item><item><title><![CDATA[Datawhale零基础入门NLP赛事 - Task6 基于深度学习的文本分类3-BERT]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/107800123</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/107800123</guid><author>Dream_xd</author><pubDate>Tue, 04 Aug 2020 22:31:09 +0800</pubDate><description><![CDATA[学习目标

了解Transformer的原理和基于预训练语言模型（Bert）的词表示
学会Bert的使用，具体包括pretrain和finetune

文本表示方法Part4
Transformer原理
Transformer是在Attention is All You Need中提出的，模型的编码部分是一组编码器的堆叠（论文中依次堆叠六个编码器），模型的解码部分是由相同数量的解码器的堆叠。

我们重点关注编码部分。他们结构完全相同，但是并不共享参数，每一个编码器都可以拆解成两部分。在对输入序列做词的向量化]]></description><category></category></item><item><title><![CDATA[YOLOv3 从零开始训练自己的数据集]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/107772434</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/107772434</guid><author>Dream_xd</author><pubDate>Mon, 03 Aug 2020 22:35:54 +0800</pubDate><description><![CDATA[第一部分：准备数据
1.1标注数据
我们在这里使用LabelImg进行数据标注。
LabelImg使用教程可以之间看github中的教程
conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc
python labelImg.py


得到标注后的数据

将标注的标签和数据放在data目录下的elevator中，我们这里是要做电梯面板的检测。

1.2 将数据分为训练集和测试集]]></description><category></category></item><item><title><![CDATA[论文阅读：Siamese Neural Networks for One-shot Image Recognition]]></title><link>https://blog.youkuaiyun.com/Dream_xd/article/details/107757999</link><guid>https://blog.youkuaiyun.com/Dream_xd/article/details/107757999</guid><author>Dream_xd</author><pubDate>Mon, 03 Aug 2020 13:13:03 +0800</pubDate><description><![CDATA[论文：Siamese Neural Networks for One-shot Image Recognition
代码：https://github.com/kevinzakka/one-shot-siamese
地址：https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf
来源：ICML2015

Approach

训练：通过同类物体或者不同类物体的pair，使得同类图片的距离尽可能小，不同类别的距离尽可能大。
网络架构

网络主要用了卷积、最大池化.]]></description><category></category></item></channel></rss>