- 博客(64)
- 资源 (11)
- 收藏
- 关注
RSS订阅原创 关于日志记录的及时性问题【solved】
在使用 nohup 运行程序并重定向输出到文件时，涉及到缓冲问题。Python（以及许多其他编程语言的标准库）会对标准输出进行缓冲。这意味着输出不会直接写到目标文件中，而是存储在内存中的一个缓冲区里，直到满足某些条件后才实际写入文件。这种处理方式可以减少对磁盘的写入操作次数，从而提高程序的效率。
2024-07-26 20:30:47
452
原创 弱监督语义分割WSSS中cam生成的npy文件是如何转换成ir label的
【代码】弱监督语义分割WSSS中cam生成的npy文件是如何转换成ir label的。
2024-07-23 20:34:56
167
原创 dict.fromkeys(key_list, value)的坑
该函数能够初始化一个所有 key 都来自key_list，value都与输入参数相同的字典，然而之后对任意key的value更改都会使该字典中所有key对应的value也保持一致。
2024-05-22 14:57:14
170
原创 Python实现利用仅有像素级标注的json文件生成框标注的json文件，并存放到新文件夹
【代码】Python实现利用仅有像素级标注的json文件生成框标注的json文件，并存放到新文件夹。
2024-01-31 20:41:13
655
原创 弱监督语义分割代码最终输出的是什么
rate）是指在多个类别中，被错误地预测为正类的样本所占的比例的平均值。在这里，np.mean(fp[1:])表示除了第一个类别（背景）之外的所有类别的平均假阳性率。rate）是指在多个类别中，被错误地预测为负类的样本所占的比例的平均值。在这里，np.mean(fn[1:])表示除了第一个类别之外的所有类别的平均假阴性率。平均假阳性率（mean false positive。平均假阴性率（mean false negative。
2024-01-08 20:04:30
501
原创 SIPE中如何求取原型
将裁剪特征进行自适应平均池化操作，将裁剪特征图的每个通道的平均值作为该通道对应目标类别的原型特征。具体地，对裁剪特征执行自适应平均池化操作，将其尺寸从。）相乘，得到裁剪特征（crop_feature）。这个过程相当于将特征图中除了种子对应位置的其他区域都置为零。分别表示裁剪特征的高度和宽度。最终，原型张量的形状为。使用计算得到的种子，将它们与相应的特征图（表示批次大小（batch size），表示目标类别的数量。
2023-08-11 09:54:27
141
原创 深度学习中训练、推理和验证分别都是什么意思
训练是深度学习模型的初始阶段，其中模型通过学习数据的过程来逐步优化自己的参数，以便能够捕获输入数据的特征并执行特定任务。在训练阶段，模型接收训练数据集（包括输入特征和相应的标签或目标值），并使用优化算法（如梯度下降）来调整模型参数，以最小化预测值与真实标签之间的差距（损失函数）。训练的目标是使模型能够从数据中学习到一般的模式，以便在以后的推理阶段中进行准确的预测。验证是在训练阶段用于监控模型性能和避免过拟合的过程。在推理阶段，模型接收新的、未见过的数据样本，并根据其已学习到的特征和模式，生成预测结果。
2023-08-03 21:48:51
6440
原创 RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the
RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same首先检查是否数据和模型是否都是cuda挂载在GPU上了，如果不满足这个可以用网上普遍方法解决。排除第一项后，检查是否nn.Module的模块是否是在初始化__init__当中声明的，如果在后续结构更改可能会造成该问题
2023-07-07 20:36:51
678
原创 ValueError: Buffer has wrong number of dimensions (expected 3, got 2) 已解决
所以当使用灰度图进行训练时，不能使用addPairwiseBilateral函数进行计算。将addPairwiseBilateral所在行注释即可。
2023-05-08 15:15:50
1064
1
原创 proxy label & pseudo label（代理标签 & 伪标签）
proxy label ：代理标签。在半监督学习算法中，能在未标记数据上生成代理标签（proxy-label），并将其与已经标记好的数据共同使用。
2023-03-04 16:34:34
567
原创 pydensecrf中DenseCRF2D addPairwiseGaussian函数和addPairwiseBilateral函数
源码为C++，所以安装使用时需要提前安装Cpython。如果有错一直找不到原因的朋友可以试试安装Cpython。这两个函数都是crf中从一元势升级二元势的函数。
2023-02-21 13:29:21
376
原创 论文学习笔记：IRNet
论文学习笔记：Weakly Supervised Learning of Instance Segmentation with Inter-pixel Relations
2023-02-04 14:54:50
489
原创 pytorch 学习笔记——维度变换
view/reshapeIn [13]: a=torch.rand(4,1,28,28)In [14]: a.shapeOut[14]: torch.Size([4, 1, 28, 28])In [15]: a.view(4, 28*28)Out[15]: tensor([[0.9020, 0.5015, 0.1010, ..., 0.4946, 0.1665, 0.5352], [0.3386, 0.5002, 0.7858, ..., 0.1595, 0.9348, 0.3489]
2022-05-14 20:39:15
586
原创 pytorch 学习笔记——索引与切片
索引In [130]:a=torch.rand(4,3,28,28)In [131]: a[0].shape0ut[131]: torch.Size([3, 28, 28])In [138]: a[0,0].shape0ut[138]: torch.Size([28, 28])In [139]: a[0,0,2,4]0ut[139]: tensor(0. 8082)前/后N项In [140]: a.shape0ut[140]: torch.Size([4, 3, 28, 28])
2022-05-13 21:29:29
679
原创 pytorch 学习笔记——初始化和创建变量
创建Tensor从numpy导入In [62]: a=np.array([2,3.3])In [63]: torch.from_numpy(a)0ut[63]: tensor([2.0000, 3.3000]， dtype=torch.float64)//从NUMPY导入的FLOAT其实是DOUBLE类型In [65]: a=np.ones([2,3])In [66]: torch.from_numpy(a)0ut[66]:tensor([[1.,1.],[1., 1.,1.]],dty
2022-05-11 20:34:18
1072
原创 pytorch 学习笔记——变量和数据类型
检查变量类型a.type()type(a)isinstance(a,torch.FloatTensor)//True同一个tensor部署在CPU和GPU上是不同的In [21]: isinstance( data, torch. cuda . DoubleTensor )0ut[21]: FalseIn [22]: data=data. cuda( )//将数据搬运到cuda上面In [23]: isinstance( data, torch. cuda . DoubleTenso
2022-05-10 20:55:09
398
原创 pytorch中没有string数据类型的处理
One-hot使用one-hot编码对单词进行编码（适用于有限且少量词库的数据）one-hot对英文字母编码（仅26维向量）Embeddingword2vecglove解决“i dislike”和“i like”之间单词相关性和类似中文汉字较多的数据问题...
2022-05-09 22:13:18
688
原创 纪念一下阅读量过万
4月29日5月1日一开始只是通过撰写博客将学习的知识点做成笔记，这样一方面能记忆能更深刻一点，也能方便其他人学习。后来就希望能够把自己踩过的坑和解决办法记录下来，帮助别人入门时减少阻力。毕竟自己一有问题就在优快云搜一搜，解决的问题还是很多的，希望自己也能够帮到别人。以后学习笔记和踩坑经验不定期更新，得看自己的学业压力了。期待破十万的记录。罗翔老师说过：“有很多事情不断地提醒你：你就是一个很渺小的人，离开了他人的帮助，他人的祝福，命运的加持，你什么都不是。若非命运的庇护，一切的梦想和规划都只
2022-05-01 12:54:42
154
原创 推荐系统里的那些算法——CF
基于协同过滤的推荐算法协同过滤(Collaborative Filtering,CF)基于近邻的协同过滤基于用户(User-CF)基于物品(ltem-CF)基于模型的协同过滤奇异值分解(SVD)潜在语义分析(LSA)支撑向量机(SVM)基于内容(Content based，CB)主要利用的是用户评价的物品的内容特征，而CF方法还可以利用其他用户评分过的物品内容CF可以解决CB的一些局限物品内容不完全或者难以获得时，依然可以通过其他用户的反馈给出推荐CF基于用户之间对物
2022-03-05 17:28:50
663
原创 推荐系统里的那些算法—— TF-IDF（附python代码）
基于UGC（user Generate Content）的推荐用户用标签来描述对物品的看法，所以用户生成标签(UGC)是联系用户和物品的纽带，也是反应用户兴趣的重要数据源。一个用户标签行为的数据集一般由一个三元组(用户，物品，标签)的集合表示，其中一条记录 (u, i, b)表示用户u给物品i打上了标签b.一个最简单的算法统计每个用户最常用的标签对于每个标签，统计被打过这个标签次数最多的物品对于一个用户，首先找到他常用的标签，然后找到具有这些标签的最热门的物品，推荐给他所以用户u对物品i的
2022-03-05 13:07:40
1122
原创 linux操作系统——shell编程
Shell是一个命令解释器。与Python，R等脚本语言类似，我们既可以在命令解释器上把命令一行一行敲出来执行，也可以把很多行保存到一个文件（即脚本/script），再让命令解释器执行这个文件。Window里管这个叫批处理（Batch）。因此凡是可以在终端上运行的命令，都可以写到shell脚本里。另外，shell支持变量、分支语句、循环、自定义函数，因此可以用shell脚本实现比较复杂的操作，从而将常规系统管理的操作变成可复用的模块。Shell编程是Linux运维人员必备能力。通过本实验仅能掌握其基本语法，
2022-01-18 12:19:56
801
原创 毛概（毛中特）期末/考研复习笔记——导论
导论 马克思主义中国化的历史进程与理论成果一、马克思主义中国化的内涵马克思主义中国化的内涵：马克思主义中国化的必要性：
2021-12-27 10:19:22
5301
原创 软件质量保证与测试——第三章 白盒测试
第三章可以完全了解软件产品的内部工作原理，特别是代码的逻辑和结构概念静态白盒测试方法：规范检验、静态结构分析、静态质量指标法等。动态白盒测试是基于覆盖范围，尽可能覆盖测试程序的结构特征和逻辑路径。动态白盒测试方法：逻辑覆盖、循环覆盖、基路径覆盖等。•主要用于机组试验。白盒测试必须遵循的原则：模块中的所有独立路径必须至少实现一次。所有逻辑值都需要测试两种情况:true和false。检查内部数据结构的程序，确保其结构的有效性。在操作范围内运行所有循环测试要求...
2021-11-08 11:11:56
668
web开发课程笔记、源码和课程视频.zip
2021-08-03
Python笔记（四）【模块与包+编码格式+文件+with+目录】.pdf
2021-02-11
Python笔记（三）【函数+bug+面向过程与面向对象】.pdf
2021-02-09
Python笔记（二）【字典+元组+集合+字符串】.pdf
2021-02-02
Python笔记（一）【基础语法+列表】.pdf
2021-01-29
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人