<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Exploer_TRY的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Exploer_TRY</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Exploer_TRY]]></copyright><item><title><![CDATA[Ubuntu临时切换Cuda版本]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/128066877</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/128066877</guid><author>Exploer_TRY</author><pubDate>Sun, 27 Nov 2022 17:35:39 +0800</pubDate><description><![CDATA[如何临时更改ubuntu的cuda版本]]></description><category></category></item><item><title><![CDATA[多标签分类与多任务学习]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/118910514</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/118910514</guid><author>Exploer_TRY</author><pubDate>Mon, 19 Jul 2021 19:02:18 +0800</pubDate><description><![CDATA[多标签分类
0. 问题概述
对于标签分类问题，表示事物本身可以分为多个类别，但是对于每一个样本存在至少一个类别，例如分类猫、狗、植物、动物。一个样本是猫的同时，又属于动物。因此就不能再像以往的模型一样，输出用softmax激活函数激活，因为我们最终的输出标签可能同时有很多的类，例如鸟类有羽毛和啄。
1. 搭建模型
通常对多标签任务可以采取两种网络模型，一种是直接输出一个全连接层分支，最后一层输出的神经元数应与标签数量相同，使用Sigmoid函数激活，将数值映射在0~1之间。不像Softmax函数，最后一层输]]></description><category></category></item><item><title><![CDATA[AAAI 2020，数据增强方法：Random Erasing Data Augmentation]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/116549715</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/116549715</guid><author>Exploer_TRY</author><pubDate>Sun, 09 May 2021 00:38:21 +0800</pubDate><description><![CDATA[Random Erasing Data Augmentation
厦门大学 智能多媒体实验室的一项工作，Leader：李绍滋，发表在AAAI 2020上。
Zhong, Zhun, et al. “Random erasing data augmentation.” Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34. No. 07. 2020.
1. 摘要：
介绍了一种新的训练卷积神经网络(CNN)的数据增强方法——]]></description><category></category></item><item><title><![CDATA[对比学习及其应用]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/116502372</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/116502372</guid><author>Exploer_TRY</author><pubDate>Fri, 07 May 2021 20:54:34 +0800</pubDate><description><![CDATA[对比学习
1. 什么是对比学习
对比学习是一种机器学习技术，通过训练模型哪些数据点相似或不同，来学习没有标签的数据集的一般特征。

Contrastive learning is a machine learning technique used to learn the general features of a dataset without labels by teaching the model which data points are similar or different. [1]

例如，]]></description><category></category></item><item><title><![CDATA[常见的人脸对齐方法 python]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/115709538</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/115709538</guid><author>Exploer_TRY</author><pubDate>Wed, 14 Apr 2021 21:12:49 +0800</pubDate><description><![CDATA[人脸对齐
1.环境需求：
opencv-python
dlib

下载dlib库的68关键点文件：
http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2
然后解压后得到shape_predictor_68_face_landmarks.dat。
其次，下面可能需要有一定python基础才能快速调用。
2.程序：
import cv2
import dlib
import numpy as np

class Face_Align(ob]]></description><category></category></item><item><title><![CDATA[Pytorch一些小问题记录]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113750603</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113750603</guid><author>Exploer_TRY</author><pubDate>Sun, 11 Apr 2021 13:50:04 +0800</pubDate><description><![CDATA[1. 单机多卡与单卡加载多卡问题
训练单机多卡模型，很容易，先定义需要使用的显卡编号：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = args.gpu_device	# such as [0,2,3]

加载模型：
# GPU
if torch.cuda.is_available():
    model = model.cuda()
    # Multi GPU
    if torch.cuda.device_count() &gt; 1:
      ]]></description><category></category></item><item><title><![CDATA[英文投稿过程中的十种状态]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/114370905</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/114370905</guid><author>Exploer_TRY</author><pubDate>Sun, 11 Apr 2021 13:48:06 +0800</pubDate><description><![CDATA[以下是英文投稿过程中的十种状态。1. Submitted to Journal
当上传结束后，显示的状态是Submitted to Journal，这bai个状态是自然形成的无需处理。2. With editor
如果在投稿的时候没有要求选择编辑，就先到主编那里，主编会分派给别的编辑。这当中就会有另两个状态：
① Editor assigned　编辑分派
② Editor Declined Invitation　编辑拒绝邀请，这时主编不得不将投稿文章重新分派给其它编辑。3. Reviewer(s) invi]]></description><category></category></item><item><title><![CDATA[Facebook detectron2训练faster rcnn]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/114407551</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/114407551</guid><author>Exploer_TRY</author><pubDate>Fri, 05 Mar 2021 18:49:25 +0800</pubDate><description><![CDATA[Facebook detectron2训练faster rcnn

detectron2是Facebook开源的一套框架，适用于很多的deep learning task，例如instance segmentation等，本文主要就如何利用detectron2训练faster rcnn，并得到模型，主要描述大体的思路

0. 前期
前期请看官方的教程，大致了解怎么回事
github
colab
1. 安装detectron2
其进行目标检测方法不像github上一些项目，是把hub给clone下来修改，而是]]></description><category></category></item><item><title><![CDATA[Ubuntu20.04安装xampp 8部署php html网页与mysql数据库]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113840662</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113840662</guid><author>Exploer_TRY</author><pubDate>Thu, 18 Feb 2021 01:53:04 +0800</pubDate><description><![CDATA[阿里云服务器安装xampp部署网站
1. 前言
我在自己Windows上搭建了xampp，并调试了前后端，就差把网页部署到服务器上了，服务器选择了阿里的。然后出错了，这里分享下从零到1经验。
2. 下载xampp for linux
地址：https://www.apachefriends.org/download.html
我下载的是

这里看你怎么弄了，可以本地下载然后传到服务器，也可以wget直接下载。
3. 安装xampp
因为服务器没有图形界面，直接用终端装：
chmod 777 *.run
ch]]></description><category></category></item><item><title><![CDATA[SSH服务器一些操作记录]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113560713</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113560713</guid><author>Exploer_TRY</author><pubDate>Tue, 02 Feb 2021 15:47:44 +0800</pubDate><description><![CDATA[1. 后台运行程序与进程查看：
ssh连接服务器时候，可能会出现本地断网，导致服务器运行程序中断的情况。
因为所有进程都得有个父进程。当你ssh到一个服务器上时，打开的shell就是你所有执行命令的父进程。当你断开ssh连接时，你的命令的父进程就没了。如果处理不当，这些进程就会收到SIGTERM信号，全被干掉了。
因此运行程序时候建议挂在后台运行，这样可防止程序死掉：
$ nohup [command] &amp;

例如我需要训练模型：
$ nohup python train.py &amp;

其下会]]></description><category></category></item><item><title><![CDATA[FRP+阿里云服务器内网穿透服务器，VS code连接桥接机器]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113361267</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/113361267</guid><author>Exploer_TRY</author><pubDate>Thu, 28 Jan 2021 23:56:20 +0800</pubDate><description><![CDATA[FRP+阿里云服务器内网穿透服务器，VS code连接桥接机器
1. 购买阿里云服务器
购买轻量级服务器即可：https://developer.aliyun.com/plan/grow-up

然后选系统镜像，建议Ubuntu，因为服务器主机也是Ubuntu系统。

2. 搭建FRP
进入阿里的控制台，产品与服务，轻量应用，从服务器列表能找到服务器。


点击进入，服务器运维-远程连接：
进入服务器后，正常ubuntu终端操作，同时下方有公网的IP地址，这个记住

从此处下载FRP：https://git]]></description><category></category></item><item><title><![CDATA[reconsstruction3Dface，实现从2D图像重建3D人脸]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/112635996</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/112635996</guid><author>Exploer_TRY</author><pubDate>Thu, 14 Jan 2021 20:44:56 +0800</pubDate><description><![CDATA[重建3D人脸

来自于论文 Y. Deng, J. Yang, S. Xu, D. Chen, Y. Jia, and X. Tong, Accurate 3D Face Reconstruction with Weakly-Supervised Learning: From Single Image to Image Set, IEEE Computer Vision and Pattern Recognition Workshop (CVPRW) on Analysis and Modeling of ]]></description><category></category></item><item><title><![CDATA[深度学习的基本专业术语]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/104562468</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/104562468</guid><author>Exploer_TRY</author><pubDate>Fri, 28 Feb 2020 19:46:10 +0800</pubDate><description><![CDATA[深度学习的专业术语

作者：陈若愚
QQ：2389388826
日期：2020年2月26日

Abstract

最近在整理学术论文的过程中发现自己的专业术语不完全正确，因此做如下的整理。主要是围绕着深度学习技术，通过做过的东西延申其基本公式及英文表达。文本采用Markdown方式编辑[1]。


一、人工神经网络
1.人工神经网络：Artificially neural network
 通常指...]]></description><category></category></item><item><title><![CDATA[Yolo v3目标检测模型代码使用]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/100107975</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/100107975</guid><author>Exploer_TRY</author><pubDate>Fri, 28 Feb 2020 19:28:41 +0800</pubDate><description><![CDATA[最近使用yolo作为目标检测的模型，此代码使用的是keras与python，在环境配置问题上会很方便。该文档主要是为了留给自己实验室的同学为了能快速使用深度学习的目标检测模型，主要讲究应用，而不是研究yolo的内部结构。

我个人认为keras框架的确简单方便，但是也有很多的不方便，比如在此yolov3工程中我们就很难实现训练一部分同时保存模型，而tensorflow就可以很好地解决。

如在运行...]]></description><category></category></item><item><title><![CDATA[MATLAB图像处理常用函数]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/104562274</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/104562274</guid><author>Exploer_TRY</author><pubDate>Fri, 28 Feb 2020 19:28:03 +0800</pubDate><description><![CDATA[MATLAB图像处理常用函数

作者：陈若愚
日期：2020年2月28日
QQ：2389388826

一、基本操作：
1. 显示索引图像和灰度图像
[X,map]=imread('trees.tif');
gmap=rgb2gray(map);
figure,imshow(X,map);
figure,imshow(X,gmap);

2.利用膨胀函数平移图像
I = imread('footb...]]></description><category></category></item><item><title><![CDATA[Inception4的tensorflow实现，主要借助nn模块]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/90713245</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/90713245</guid><author>Exploer_TRY</author><pubDate>Fri, 31 May 2019 11:36:08 +0800</pubDate><description><![CDATA[实现inception4网络，这是googlenet与resnet结合的卷积神经网络。

本文按照论文复现，论文中的InceptionA，InceptionB，InceptionC，以及reduction模块已写入函数，此次也将卷积函数简化，具体见demo：


# -*- coding: utf-8 -*-
"""
Created on Fri May 31 2019
@author: Ruoy...]]></description><category></category></item><item><title><![CDATA[tensorflow手动复现论文中的Resnet34结构（不借助keras和slim模块）]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/89308329</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/89308329</guid><author>Exploer_TRY</author><pubDate>Mon, 15 Apr 2019 11:23:17 +0800</pubDate><description><![CDATA[看了resnet的论文，然后手动用tf.nn模块搭建了resnet34。虽然比较累与笨，但是还是方便了我的理解。



这里说说我的理解，残差网络主要是为了防止退化，因此会将特征跳动到下一个以防衰退。

实线部分就是将前面的model与卷积后的model直接相加，形状不变的。

而后面的虚线怎么理解呢？虚线是因为前面的model和后面的model不一样的shape。这里论文中说可以通过填充0来解决...]]></description><category></category></item><item><title><![CDATA[tensorflow复现googlenet_v1，非高度集成模块]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/88898839</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/88898839</guid><author>Exploer_TRY</author><pubDate>Fri, 29 Mar 2019 18:04:31 +0800</pubDate><description><![CDATA[本次使用tensorflow的tf.nn函数，在尽可能少地定义函数的情况下复现googlenet-v1





这里demo在每一个inception是堆叠卷积后的结果，使用tf.concat函数可以。这里官方手册上给的通道在前，需要连接的多维矩阵在后，但是高版本的tensorflow是反过来的。

新版tensorflow：


layer_4a = tf.concat([layer_4...]]></description><category></category></item><item><title><![CDATA[tensorflow使用较为底层的方式复现VGG16]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/88878022</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/88878022</guid><author>Exploer_TRY</author><pubDate>Thu, 28 Mar 2019 21:14:18 +0800</pubDate><description><![CDATA[一般在网络上看到一些专业人士写的demo，要么看不懂，要么封装特别好使可移植性减弱。

为了巩固自己对经典网络的认识，我觉得用tensorflow以及tf.nn集成的库对经典网络进行复现，VGG作为最经典网络之一成为我的首要选择。



这是论文中的结构示意图，绿框中的是最后的网络结构，论文中提及，每一个卷积后隐层后加上relu激活函数。每次步幅为1，卷积后大小不变。

这里优化函数什么的我就按现...]]></description><category></category></item><item><title><![CDATA[用python制作流水灯]]></title><link>https://blog.youkuaiyun.com/Exploer_TRY/article/details/86564252</link><guid>https://blog.youkuaiyun.com/Exploer_TRY/article/details/86564252</guid><author>Exploer_TRY</author><pubDate>Sun, 20 Jan 2019 18:01:57 +0800</pubDate><description><![CDATA[今天在网上搜索到了一个好玩的小玩意，python制作流水灯，就搬过来，原地址我忘掉在哪了，有意思就是在命令行会有类似进度条等等，直接附上代码，效果图暂时不放了，有兴趣自己调试，同时感谢无名的原作者。


import time
import sys

def Water_light(mod = 1, FRESH_TIME = 0.3, LENGTH = 7):
    if mod == 1:
 ...]]></description><category></category></item></channel></rss>