- 博客(54)
- 收藏
- 关注
RSS订阅原创 效率工具 | 如何爬取一个网页的所有图片并制作成PPT
暴力猴：https://microsoftedge.microsoft.com/addons/detail/%E6%9A%B4%E5%8A%9B%E7%8C%B4/eeagobfjdenkkddmbclomhiblgggliao。可以看到，抓取到了所有的图片，然后点击右上角的“命令--->下载当前所有”，就可以把所有的图片以一个压缩包的形式下载到本地。在安装完所有工具后，这个脚本就生效了，具体表现为当你浏览网页时，如果网页中有图片，在图片的左上角就会出现一个图标。答：可以利用PPT的相册工具。
2025-02-23 12:25:34
368
原创 【流畅的Python】第三章：字典和集合——《Fluent Python》学习笔记
介绍了dict、defaultdict和OrderedDict实现的常用方法，如clear、copy、get、items、keys、pop、popitem、setdefault、update、values等，以及它们的功能和用法。
2024-12-11 21:48:55
1060
原创 【流畅的Python】第二章：丰富的序列——《Fluent Python》学习笔记
在仅指定停止位置时，容易判断切片或区间的长度。例如，range(3)和都只产生 3 项。方便在索引x处把一个序列拆分成两部分而不产生重叠，直接使用和即可。
2024-12-08 18:07:35
1242
原创 【流畅的Python】第一章：Python的数据类型 ——《Fluent Python》笔记
Python 中的魔法方法使得我们可以重载和定制各种常见操作符和行为，比如对象初始化、迭代、索引访问、运算符重载等。通过实现这些方法，我们可以让自定义类表现得像内建数据类型一样，提供更直观和灵活的接口。
2024-12-08 18:06:14
1159
原创 python3.12安装pyqt6-tools失败
目前只支持到python3.11，故重新建立python3.11虚拟环境即可。在conda命令行运行如下代码。
2024-08-31 22:16:28
2499
原创 大模型微调实战之基于星火大模型的群聊对话分角色要素提取挑战赛：Task01：跑通Baseline
Datawhale AI夏令营第二期开始啦，去年有幸参与过第一期，收获很多，这次也立马参与了第二期，这一期主要是关于大模型微调实战的，之前一直想接触大模型，但是忙于毕业一直没有行动，抓住这次机会行动起来！
2024-06-29 18:12:44
691
2
原创 【QT】包含中文的QString转换为std::string乱码问题
类型进行后续的使用，但是我发现当文件名包含中文的时候，QString没问题，但是转换为std::string之后就会乱码，如下所示。参考了一些链接，找到了可行方案，即使用。在开发过程中需要用到。
2024-05-20 16:02:41
1095
1
原创 【Python编程从入门到实践】Python中的字符串知识大全
在Python中，字符串可能包含不同类型的空白字符，如空格、制表符（\t）、换行符（\n）等。有时，你希望删除字符串开头或结尾的空白字符，或者删除字符串中的所有空白字符。Python中的字符串是无法修改的，如果需要修改该字符串，需要用一个新字符串或它本身来接收。当你打印一个包含换行符的字符串时，输出会在换行符的位置开始新的一行。由于字符串的不可变性，拼接多个字符串时尽量避免频繁使用+操作符，因为这会不断创建新的字符串对象，导致效率降低。通过索引可以访问字符串中的单个字符，通过切片可以获取字符串的子串。
2024-04-15 13:08:29
998
原创 Python中数据类型的可变性，等号赋值与深浅拷贝的区别
对于不可变数据类型，等号赋值和深浅拷贝没有任何区别，都是创建一个新的引用。对于可变数据类型，等号赋值、浅拷贝和深拷贝完全不同，等号赋值创建一个引用，其值完全随着原变量而变；浅拷贝创建一个对象，但内部子对象还是原来对象的引用；深拷贝创建一个对象，且内部子对象也是新的对象。
2024-04-14 11:30:19
1217
原创 TCP/IPv4 开发过程中不要开启VPN
开启VPN会导致与开发板通讯失败的原因通常是因为VPN会改变你的网络路由。当你连接到VPN时，你的所有或部分网络流量会被重定向到VPN服务器，然后再从那里转发到目的地。在通过TCP/IPv4与一个开发板进行通讯的时候，同时开启了VPN，然后就导致一直通讯不上。
2024-04-13 13:25:11
532
原创 【算法详解】滑动窗口类问题统一模板
滑动窗口的算法技巧的思路非常简单，就是维护一个窗口，不断滑动，然后更新答案。这个算法技巧的时间复杂度是 O(N)，比字符串暴力算法要高效得多。真正麻烦的不是算法的思路，而是各种细节问题。比如说如何向窗口中添加新元素，如何缩小窗口，在窗口滑动的哪个阶段更新结果。即便明白了这些细节，也容易出 bug，找 bug 还不知道怎么找。
2024-01-26 19:53:15
591
原创 【算法详解】力扣415.字符串相加
给定两个字符串形式的非负整数 num1 和num2 ，计算它们的和并同样以字符串形式返回。你不能使用任何內建的用于处理大整数的库（比如 BigInteger）， 也不能直接将输入的字符串转换为整数形式。示例 1：输入：num1 = “11”, num2 = “123”输出：“134”
2024-01-21 20:09:33
661
原创 【算法详解】力扣69.x的平方根
给你一个非负整数 x ，计算并返回 x 的 算术平方根。由于返回类型是整数，结果只保留 整数部分 ，小数部分将被 舍去。注意：不允许使用任何内置指数函数和算符，例如或者x ** 0.5。
2024-01-20 20:59:39
1005
原创 【算法详解】力扣240.搜索二维矩阵II
编写一个高效的算法来搜索 m x n 矩阵 matrix 中的一个目标值 target。该矩阵具有以下特性：每行的元素从左到右升序排列。每列的元素从上到下升序排列。
2024-01-20 20:22:59
799
原创 【算法详解】力扣179.最大数
给定一组非负整数 nums，重新排列每个数的顺序（每个数不可拆分）使之组成一个最大的整数。注意：输出结果可能非常大，所以你需要返回一个字符串而不是整数。示例 1：输入：nums = [10,2]输出：“210”
2024-01-18 20:43:05
620
原创 【算法详解】力扣56.合并区间
以数组intervals表示若干个区间的集合，其中单个区间为。请你合并所有重叠的区间，并返回 一个不重叠的区间数组，该数组需恰好覆盖输入中的所有区间。示例 1：解释：区间 [1,3] 和 [2,6] 重叠, 将它们合并为 [1,6].
2024-01-18 20:12:38
544
原创 【算法详解】力扣136.只出现一次的数字
给你一个 非空 整数数组 nums ，除了某个元素只出现一次以外，其余每个元素均出现两次。找出那个只出现了一次的元素。你必须设计并实现线性时间复杂度的算法来解决此问题，且该算法只使用常量额外空间。示例 1 ：输入：nums = [2,2,1]输出：1。
2024-01-18 17:19:38
1637
原创 【算法详解】力扣169.多数元素
给定一个大小为 n 的数组 nums ，返回其中的多数元素。多数元素是指在数组中出现次数 大于 ⌊ n/2 ⌋ 的元素。你可以假设数组是非空的，并且给定的数组总是存在多数元素。示例 1：输入：nums = [3,2,3]输出：3示例 2：输入：nums = [2,2,1,1,1,2,2]输出：2。
2024-01-18 16:49:58
621
原创 【算法详解】力扣88.合并两个有序数组
给你两个按 非递减顺序 排列的整数数组 nums1 和 nums2，另有两个整数 m 和 n ，分别表示 nums1 和 nums2 中的元素数目。请你 合并 nums2 到 nums1 中，使合并后的数组同样按 非递减顺序 排列。注意：最终，合并后数组不应由函数返回，而是存储在数组 nums1 中。为了应对这种情况，nums1 的初始长度为 m + n，其中前 m 个元素表示应合并的元素，后 n 个元素为 0 ，应忽略。nums2 的长度为 n。
2024-01-17 20:02:30
481
原创 【算法详解】数组中的第K个最大元素（力扣215.数组中的第K个最大元素）
给定整数数组 nums 和整数 k，请返回数组中第 k 个最大的元素。请注意，你需要找的是数组排序后的第 k 个最大的元素，而不是第 k 个不同的元素。你必须设计并实现时间复杂度为O(n)的算法解决此问题。
2024-01-15 19:57:44
500
1
原创 【算法详解】旋转图像（力扣48.旋转图像）
给定一个 n × n 的二维矩阵 matrix 表示一个图像。请你将图像顺时针旋转 90 度。你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。
2024-01-15 17:07:05
619
原创 【算法详解】螺旋矩阵（力扣54.螺旋矩阵）
给你一个 m 行 n 列的矩阵 matrix ，请按照 顺时针螺旋顺序 ，返回矩阵中的所有元素。输入：matrix = [[1,2,3],[4,5,6],[7,8,9]]输出：[1,2,3,6,9,8,7,4,5]
2024-01-15 16:16:10
517
原创 Task02：差异与统一：坐标系变换与外参标定
如果说相机坐标系为camera_link，那么载体坐标系为base_link，这二者之间存在一个变换矩阵，通常用camera_link到base_link的欧式转换表示，而这个变换矩阵，就是常说的相机外参。相机外参标定确定了相机在世界坐标系中的位置和朝向，这些信息可以用于将图像中的点转换为世界坐标系中的点，或者将世界坐标系中的点转换为图像中的点。如果知道相机相对于载体坐标系安装的位置与角度，是可以直接得到相机外参的，但是，由于机械安装的误差，或者运动过程的变形，这个外参是会改变的。
2023-09-12 21:38:15
233
原创 MMSegmentation笔记07：使用MMDeploy部署
pipeline.json：模型输入、预处理、推理、后处理，每一步骤的输入输出信息，用于给使用者说明处理流程。deploy.json：模型描述，用于MMDeploy Runtime推理。output_onnxruntime_0.png：使用推理框架预测的结果。output_pytorch_0.png：使用pytorch预测的结果。detail.json：模型转ONNX的信息，用于追溯bug。end2end.onnx：ONNX模型。一种是直接用OpenMMLab提供的。文件在命令行中执行转换。
2023-08-21 18:41:01
776
原创 MMSegmentation笔记06：推理
本节整理代码如上，基本原理与单张预测几乎一样，多了一步就是将视频拆成单帧，进行预测后再拼合成视频并保存。本节的代码整理如上，基本是对子豪兄的代码进行路径上的修改，也就是在路径最前面加。本节也是照猫画虎，终点在于os库的应用，官方代码有一处需要修改，即79行，将。定义config文件和pth文件的路径。基于config文件和pth文件通过。各种方法来绘制原图与结果。
2023-08-20 19:23:48
996
原创 MMSegmentation笔记05：训练+日志可视化+测试集性能评估
同样的，由于我的py文件新建在根目录下，与 git clone 下来的segmentation文件夹并列，所以基本每个路径前都加上了。而指标表现的比较好的原因其实是这里子豪兄的测试集与验证集相同，由于数据集不充分，就这么做了，实际应用中千万不要这么做。然后就是漫长的训练等待，我的显卡是RTX 3060 16GB，训练了20个小时，如果硬件条件不允许的话，可以直接下载。可以看到除了最后的白籽，其他指标表现非常好，这是由于白籽目标太小，且数据集也不多，因此表现不好。当然，切换到本地运行仍然会有文件路径的问题。
2023-08-19 16:17:20
2883
2
原创 MMSegmentation笔记04：准备config配置文件、数据集和pipeline
这里需要改动一些文件路径，因为教程是在云平台运行的，且用的是notebook，我这里是在本地pycharm运行的。下载的时候参考ipynb文件中的路径，保存的时候要与教程的路径要一致。至此为止，程序就可以跑通了，可以正常打印config文件的内容和保存。，同时自己在根目录下新建一个。同理，需要自己新建一个。
2023-08-17 20:02:51
463
原创 MMSegmentation笔记03：下载数据集并可视化观察
这里我注释掉了89行，如果想保存结果文件到本地的话就新建一个文件夹叫。下载好之后将其解压放在工程根目录下。
2023-08-16 15:37:35
322
原创 MMSegmentation笔记02：认识和安装MMSegmentation
由于我已经配置好pytorch的环境了，所以这里直接开始安装MMSegmentation。
2023-08-15 12:54:45
1130
1
原创 MMSegmentation笔记01：认识OpenMMLab
深度学习框架发展史theanoCaffeTensorFlowmxnetCaffe2PytorchOpenMMLab首推MMdetection，GitHub两万Star，各种与目标检测相关的论文都有MMYOLO收录了各种YOLO版本MMOCR：文本检测、文本识别、关键信息提取MMDetection3D：3D目标检测MMRotate：旋转目标检测算法MMSegmentation：图像分割算法库MMPretrain：图像分类+预训练+多模态算法MMPose：姿态估计。
2023-08-14 20:40:11
216
原创 吃瓜笔记05：【西瓜书+南瓜书】支持向量机
支持向量机（Support Vector Machines，SVM）是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。二分类问题就是寻找一个超平面将不同类别的样本分开，那么问题来了，哪条线才是最好，最鲁棒的呢？直观来说，应该找最中间的那个超平面，因为该超平面对训练样本局部扰动的“容忍”性最好。为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离。则距离超平面最近的样本使得上式的等号成立，这些样本被称为“支持向量“。
2023-08-05 20:14:01
322
原创 【CV夏令营】笔记03：使用PaddlePaddle套件
然后通过yaml文件中的配置开始训练。训练完成后对测试集进行推理，这里采用的策略是对nii文件的每张图都进行推理，然后对单张推理的结果（NC或MCI）进行计数，最后取数量多的结果记为最终结果，推理完成保存为比赛官方要求的格式即可提交结果。分享嘉宾提到这次的效果也并不是特别好，但其实验证集的精度都能达到98%以上了，猜测可能的原因是官方提供的训练集和测试集的分布差距太大，这就导致训练好的模型对测试集的推理效果很差。
2023-07-28 16:41:17
386
原创 吃瓜笔记04：【西瓜书+南瓜书】神经网络
神经网络类算法可以堪称当今最主流的一类机器学习算法，其本质上和前几章讲到的线性回归、对数几率回归、决策树等算法一样均属于机器学习算法，也是被发明用来完成分类和回归等任务。不过由于神经网络类算法在如今超强算力的加持下效果表现极其出色，且从理论角度来说神经网络层堆叠得越深其效果越好，因此也单独称用深层神经网络类算法所做的机器学习为深度学习，属于机器学习的子集。
2023-07-26 20:49:44
597
原创 吃瓜笔记03：【西瓜书+南瓜书】决策树
需要注意的是，与信息增益不同，增益率对可分类数目较少的属性有所偏好，因此使用的时候并不是简单地选取增益率最大的属性，而是先从候选划分属性中找出信息增益高于平均水平的属性，在从中选取增益率最高的。信息增益准则对可取值数目较多的属性有所偏好，例如样本编号，如果按这个属性划分，信息增益一定是最大的，为了减少这种偏好可能带来的不利影响，著名的C4.5决策树算法使用了“增益率”来选择最优划分属性。随着划分过程的不断进行，我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的纯度越来越高。
2023-07-25 17:42:26
104
原创 【CV夏令营】笔记02：在本地调通CNN版本的baseline并考虑调优
经过这一番改动，代码就可以稳定得运行起来并生成csv文件了，但是还有一些警告，是由于代码中用了一些比较老旧的书写方式。遗憾的是，无论怎么调优，都无法提升F1-score值。感觉还是要在数据集上下手，增加数据集，避免过拟合。
2023-07-25 10:49:12
108
原创 吃瓜笔记02：【西瓜书+南瓜书】线性模型
回归任务的目标是通过输入一个值，可以预测一个输出值出来，但如果我们的任务是分类任务，那么回归模型就无法解决，但只需找一个单调可微函数将分类任务的真实标记y与线性回归模型的预测值联系起来即可，也即做一个映射函数，将回归模型的预测值R映射到（0,1）区间内。一对一：将N个类别两两配对，产生N(N-1)/2个二分类任务，最终测试时通过投票产生最终结果，预测的最多的就是最终分类结果。例如有998个反例，但正例只有2个，那么学习方法只需返回一个永远将新样本预测为反例的学习器，就能达到99.8%的精。
2023-07-24 21:55:58
160
原创 【CV夏令营】学习笔记01：跑通机器学习版本baseline
有幸参与了DataWhale的AI视觉夏令营，沉浸式全流程体验AI比赛，比赛题目是：脑PET图像分析和疾病预测挑战赛，这里给出链接：https://challenge.xfyun.cn/topic/info?会警告，说类型不对，查阅了to_csv()函数的用法才知道，index参数是个bool值，代表是否把索引也写进去，默认为True，这里为了契合官方的提交答案模板，不写索引，所以应该修改为False，而不是None。在这里，保持良好习惯，把文件夹修改为了英文，即把。
2023-07-21 21:13:01
199
1
原创 C++将OpenCV的Mat数据保存为本地.xyz格式，并重新读取为Mat格式
【代码】C++将OpenCV的Mat数据保存为本地.xyz格式，并重新读取为Mat格式。
2023-07-18 11:02:51
738
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人