- 博客(55)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 ROS安装
在python2.7下安装ROS1. sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list'2. 设置秘钥 sudo apt install curl # if you haven't already installed curlcurl -s https://raw.githubus
2021-09-03 15:55:10
358
原创 驱动安装
1、安装sudo apt-get updatesudo apt-get upgradesudo add-apt-repository ppa:graphics-drivers/ppasudo apt-get updateubuntu-drivers devicessudo ubuntu-drivers autoinstall2、查看是否安装成功先重启，再查看显卡信息sudo rebootnvidia-smi...
2020-10-31 21:28:23
242
原创 yolo3算法讲解
网络结构假设输入数据的大小为416×416，经过Darknet-53特征提取网络后得到尺度为13×13，26×26，52×52的特征图。其中每一个尺寸的特征图都有18(3×6，其中3是指每个grid-cell有3个anchor，每个anchor预测一个边界框的4个坐标值，1个置信度，还有一个类别概率值)个通道，将13×13×18的特征图和对应尺寸的anchor作为Decode-Unit模块的...
2020-02-16 00:35:22
696
原创 SSD算法
1、先验框的中心点坐标和尺寸首先生成一个38×38的网格，网格的交点处为网格的坐标，让网格的横坐标加0.5，纵坐标加0.5后就得到了网格的中心点坐标，中心点坐标再乘以步长8后，就将先验框的坐标映射到了300×300的图像上了。接下来计算每个尺度的特征图中每个cell先验框的数量以及先验框在图片上的宽和高的尺寸（每个特征图中都会对应一个小尺度和大尺度[21,45]）,每个cell都会产生两个不同...
2020-01-05 17:11:08
428
原创 YOLO
摘要：输入图片(None,416,416,3)经过一个3×3的卷积后再经过一个string=(2,2),大小是3×3卷积核后会得到一个大小为208×208×64的特征图，从这一层开始会进行一个残差卷积，再经过4个步长为2的卷积后会得到13×13×1024的darknet的输出特征图。接下来是在darknet网络后添加一个有5个卷积层的卷积块得到卷积输出x，这里将x分成两部分，一部分经过一个卷积...
2019-12-30 11:44:12
315
原创 python下载第三方库慢的解决办法
添加清华源pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple
2019-12-24 19:24:19
679
原创 SSD算法中TFRecord格式数据的读取
目录一、使用slim读取TFRecord格式文件的步骤1、设置解码器2、定义数据集3、定义数据集的数据提供者类4、调用provider的get方法从items_to_tensors中获取响应的items对应的tensor一、使用slim读取TFRecord格式文件的步骤1、设置解码器一般设置解码器为 slim.tfexample_decoder.TFExampleD...
2019-12-20 11:49:42
466
原创 SSD算法中TFRecord的格式数据生成
目录1、为什么使用TFRecord格式的文件2、生成TFRecord文件的主要流程3、SSD算法中生成TFRecord格式数据主要代码1、为什么使用TFRecord格式的文件在深度学习模型训练时，通常我们使用的数据量往往都会很大，这么多数据会占用很大的磁盘空间，并且在被一个个读取的时候会很慢、很繁琐，占用大量内存空间（有的大型数据不足以一次性加载）。TFRecord格式文件内部...
2019-12-20 10:09:00
367
原创 Adam优化器算法
上图就是Adam算法在深度学习中更新参数时应用的详细过程，下面对一些参数进行一下说明：1、t：更新的步数（steps）2、：学习率，用于控制参数更新的步幅（stepsize）3、：要求解更新的参数4、:带有参数的目标函数，通常指损失函数5、g：目标函数对求导的梯度6、：一阶矩衰减系数7、：二阶矩衰减系数8、s：梯度g的一阶矩，即梯度g的期望9、r：梯度...
2019-12-16 19:16:12
2949
原创 Dlib库的安装
1、pip install cmake2、pip install boost3、pip install dlib==19.6.1
2019-11-20 19:52:38
227
原创 git的使用
参考博客 git使用git的基本命令：1git init2 git add.3 git commit -m "说明"4 git log 查看历史记录5 git log --pretty=oneline(如果嫌上面的命令显示的内容太多的话，就用这个命令)6 git reset --hard HEAD^(回退到上一个版本)回退到上一个版本后发现后悔了...
2019-09-29 16:30:21
148
原创 SSD默认框的产生原理
本文详细解读SSD默认框的产生过程，主要参考《https://blog.youkuaiyun.com/xunan003/article/details/79186162》1、默认框产生的个数 我们都知道，SSD默认框是从 conv4_3,fc7,conv6_2,conv7_2,conv8_2,conv9_2这6个卷积层输出的特征图中产生的。这6个特征层产生的特征图的大小分...
2019-05-17 15:42:29
833
1
原创 根据xml文件找到对应的图片文件
find_pic.py代码说明： 这段小程序的作用就是根据labelimage标注软件生成的xml文件来找到对应的图片。例如：我们的图片数据有100张，其中有90张图片里有我们想标注的目标，这样的话我们就会生成90个xml文件，其中这90个xml文件的名字和那90张有目标的图片的名字一样，我们需要根据这90个xml文件的名字从那100张图片里找到对应的90...
2019-05-10 19:36:10
3684
6
原创 Python ：将分割后的图片拼接回原样，通过csv文件对图片进行画框以及生成新的csv文件。
joint_pic.py#!/usr/bin/python# -*- coding: UTF-8 -*-from PIL import Imageimport osimgname = 0def pingjie(imgs,weigh_size,high_size): print('------------pingjie-------------') global i...
2019-04-27 13:38:30
1261
原创 caffe-ssd算法的python代码
create_data.shcur_dir=$(cd $( dirname ${BASH_SOURCE[0]} ) && pwd )root_dir=$cur_dir/../..#root_dir=$LVMDATA/lvmdata/caffe-ssdcd $root_dirredo=1#data_root_dir="$HOME/data/VOCdevkit"d...
2019-04-22 17:06:36
1529
原创 Resize图片、分割图片、分割xml文件、统计xml文件里的某个标签的个数、图片重命名的代码
Resize_XmlPic.py #-*-coding: UTF -8-*-################################ 按照图片最短边缩放到512的比例对图片进行缩小或者放大# 同时对XML进行更改###############################import cv2import sysimport osimport xml.dom...
2019-04-22 01:13:02
1256
15
原创 ubuntu16.04(GPU)配置caffe环境
二、安装安装nvidia显卡驱动1.查看是否已经安装nvidia驱动nvidia-smi如果出现如下图的一坨，那恭喜你不用做这一大步啦~ 安装NVIDIA 在使用命令sudo service lightdm stop之前需要执行sudo apt-get install lightdm三、安装CUDA-10....
2019-04-09 18:33:56
209
原创 ~/caffe/build/tools下没有任何文件的解决办法
https://blog.youkuaiyun.com/xunan003/article/details/72997028
2019-04-08 21:04:26
613
原创 Vmware虚拟机下为Ubuntu添加磁盘
一、问题描述。 今天在Ubuntu里下载安装caffe-ssd的数据集，在解压的时候一直提示磁盘没有多余的空间，解压失败。经过各种百度后发现是我在虚拟机下安装Ubuntu时给分的空间只有20G，这对于做深度学习算法来说简直是开玩笑，所以也在这里建议大家，如果需要在虚拟机上训练深度学习网络的话，一般给虚拟机500G的内存空间较合适。 参考博客《VMware虚拟机下为Ubuntu添...
2019-04-05 07:34:03
3391
1
原创 在Ubuntu16.04下安装caffe（仅CPU）
Caffe安装教程：Ubuntu16.04（CPU）本文是在新安装的Ubuntu16.04上进行Caffe的安装，每个版本的Ubuntu安装略有不同，请自行百度。参考博客https://blog.youkuaiyun.com/u010193446/article/details/53259294一、检查自己电脑是否具有GPU通常Caffe在计算时有两种模式可以选择，CPU或GPU，使用GP...
2019-03-31 23:25:12
338
原创 在Vmware虚拟机中安装Ubuntu16.04（server版）操作系统
一、工具window操作系统 Vmware虚拟机软件 Vmware下载地址 Ubuntu操作系统镜像 Ubuntu镜像文件下载地址二、步骤先安装好Vmware虚拟机软件，不会安装的可以参考文章 《windows下Vmware的安装》。 下载ubuntu操作系统镜像。 Vmware添加虚拟机 (1)点击文件--新建虚拟机，或者点击右边新建虚...
2019-03-27 17:37:38
1140
原创 常用网站链接
1、简单的TensorflowCookbook说明：这份易用代码合集中都是已经整理好的小段代码，整理了层、块、标准化和激活、池化与调整大小、损失、图像预处理6大方向具体不同任务的简易代码超强干货！TensorFlow易用代码大集合2、用3D卷积实现动作识别3D卷积神经网络实现动作识别3、Ubuntu下载地址4、SSD源码网址5、VGG-16网络结构...
2019-02-19 11:14:48
405
原创 ubuntu18.04开机时无法进入系统问题的解决方法
今天电脑开机时不能正常进入系统，之前开机都是很正常的，根本没有遇见过这种情况，出现的情况如下图所示： 出现这种错误的原因是我昨天安装了nvidia-smi安装包，Ubuntu18.04内核bug导致gdm3和nvidia驱动冲突，使得gdm3无法正常启动图形界面，而gdm不断尝试启动的后果就是屏幕的闪烁。解决的办法1、在当前界面中按Alt+F2 键进入...
2019-01-16 10:39:21
28155
17
原创 pwd调试
pwd是基于命令行的调试工具，非常类似gnu的gdb（调试C/C++） 命令 简写命令 作用 break b 设置断点 continue c 继续执行程序 list l 查看当前行的代码段 step...
2018-12-30 21:40:47
321
原创 主成分分析（PCA）
主成分分析的步骤：对所有的样本进行demean处理，我们想求一个轴的方向W=(W1,W2),使得我们所有的样本都映射到W方向以后有： 主成分分析法的目标是要求一个方向向量W使得下面的式子达到最大： 用梯度上升法来解决主成分分析的问题 求F的梯度的向量化公式如下所示： ...
2018-12-02 18:36:42
351
原创 单链表
单向链表 单项链表也叫单链表，是链表中最简单的一种形式，他的每个结点都包含两个域，一个信息域（元素域），一个链接域，这个链接域指向链表中的下一个结点，而最后一个结点的链接域指向一个空值 表元素域elem用来存放具体的数据。 链接域next用来存放下一个节点的位置（python中的标识） 变量p指向链表的头节点（首节点）的位置，从p出发能找到表中的任意节点。节点实现cl...
2018-11-28 21:16:15
200
1
原创 排序算法
一、冒泡排序冒泡排序算法的原理如下：1、比较相邻的元素。如果第一个比第二个大，就交换他们两个。2、对每一对相邻元素做同样的工作，从开始第一对到结尾的最后一对。在这一点，最后的元素应该会是最大的数。3、针对所有的元素重复以上的步骤，除了最后一个。4、持续每次对越来越少的元素重复上面的步骤，直到没有任何一对数字需要比较。时间复杂度若文件的初始状态是正序的，一趟扫描即可完成排...
2018-11-28 16:33:09
151
原创 kNN算法中的超参数的问题
1、超参数：是指在运行机器学习算法之前需要指定的参数。2、如何寻找到最好的超参数？ 可以使用循环搜索的方法来选择出最好的超参数。 k近邻（kNN）的超参数一个是k值的选择另一个是距离的权重，我们将距离的倒数作为距离的权重，在sklearn中k近邻算法有一个weights参数，其默认值为uniform，此时是不考虑距离权重的，当weights=dis...
2018-11-24 15:27:56
2634
原创 k近邻算法（KNN）
将所有代码都放在play_ML文件夹1、首先在play_ML文件夹中创建一个__init__.py空文件2、在play_ML文件夹中创建一个kNN.py文件，文件的内容是对kNN算法的实现代码 kNN算法的实现步骤： 1) 将训练集的数据集X_train进行遍历 2) 遍历后的结果与要预测的...
2018-11-23 22:02:50
364
原创 tensorflow构造逻辑回归模型
import numpy as npimport tensorflow as tfimport matplotlib.pyplot as pltimport input_datamnist = input_data.read_data_sets('data/', one_hot=True)trainimg = mnist.train.imagestrainlabel = mnist...
2018-10-22 14:01:44
263
原创 tensorflow构造线性回归模型
import numpy as npimport tensorflow as tfimport matplotlib.pyplot as plt# 随机生成1000个点，围绕在y=0.1x+0.3的直线周围num_point = 1000vectors_set = []for i in range(num_point): #生成正态分布的自变量 x1 = np.ran...
2018-10-21 16:13:39
239
原创 SVM算法
目的：寻找一个超平面，使得两个类别中离决策边界最近的那些点到决策边界的距离越远越好。即，SVM寻找一条最优的决策边界，使得距离两个类别最近的样本点的距离最远。本质： 支撑向量机的本质就是最大化margin，margin定义的就是两个类对应的支撑向量所决定的两根直线之间的距离假设样本点到决策边界的距离为d，通过上式可以得到两类样本的数据点到到决策边界的距离都是...
2018-10-09 11:55:13
338
原创 梯度下降法的向量化及随机梯度下降法
梯度下降法的向量化 此结果是一个一行n+1列的行向量，我们再将这个结果整体进行一下转置随机梯度下降法 当数据样本比较大时，采用随机梯度下降法既简单又高效。 将梯度的式子设想一下每一次都随机取出一个样本i，在随机梯度下降法中，样本的学习率是一个非常重要的一个参数，如果学习率一直取一个固定值，很有可能随机梯度下降法已经来到最小值中心左右的位置，但是由...
2018-10-07 21:56:25
519
原创 逻辑回归
一、损失函数的求解逻辑回归是一个简单的二分类算法，分类边界可以是线性的也可以是非线性的。通俗的解释就是，对于给定的样例X，我们要求出一组theta，将theta与X 相乘的结果作为Sigmoid函数的输入，这样就能得到一个概率值逻辑回归算法的损失函数如何确定？ 由于逻辑回归是一个二分类算法，所以在给定的数据集的标签中只有两个类别，分别是0和1。...
2018-10-07 11:53:01
483
原创 梯度下降算法
梯度下降不是一个机器学习算法，他是一个基于搜索的最优化方法，其作用是最小化损失函数。一、使用方法： 就是对损失函数中特征的系数进行求导，然后再用上一次的减去求导后的数值公式的意义： 是关于的一个函数，我们当前所处的位置是点，要从这个点走到的最小值点，首先我们先确定前进的方向，也就是梯度的反方向，然后走一段距离的步长，也就是,走完这段步长就到了...
2018-10-07 10:06:06
437
原创 多元线性回归算法（有多个特征的线性回归算法）
多元线性回归，假设我们有m个样本，n个特征，对于每一个样本的结果，每个特征都需要占一定的权重即： 当样本集为： 输出结果为： 基于多个特征得到的预测值为： 假设有矩阵 ...
2018-10-06 15:54:45
3384
原创 三个评价线性回归算法的标准MSE、RMSE、MAE
在分类算法中，我们首先将数据集分成训练数据集和测试数据集，用训练数据集去训练我们的分类模型，用测试数据集的输入特征去预测，将预测的结果与测试数据集的真实结果对比，得出模型的准确率。对于线性回归算法： 上面的衡量标准是与样本数m有关的对于均方误差(MSE)来说还有一个量纲上的问题，改进后会得到均方根误差（RMSE） 以上就是三...
2018-10-06 10:45:37
4940
1
原创 简单线性回归算法
一、目标 寻找一条直线，最大程度的“拟合”样本特征和样本输出标记之间的关系。在回归问题中我们预测的是一个具体的数值，这个具体的数值是在一个连续的空间里的，如果想看两个特征的回归问题就需要在三维空间里进行观察。样本特征有多个的回归称为多元线性回归 损失函数对a求偏导数： 最后得到的结果：求a、b的P...
2018-10-05 21:49:26
360
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人