<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LK007CX的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LK007CX</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LK007CX]]></copyright><item><title><![CDATA[Jetson设备设置VNC远程桌面连接]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/116989617</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/116989617</guid><author>LK007CX</author><pubDate>Tue, 18 May 2021 15:04:32 +0800</pubDate><description><![CDATA[设置vino登录选项，在终端依次执行

gsettings set org.gnome.Vino prompt-enabled false
gsettings set org.gnome.Vino require-encryption false


测试vino是否可用

在终端输入：
/usr/lib/vino/vino-server

如果vino可用，会跳出多行数字。

vino加入开机自启动

打开Startup Applications应用，添加如下开机启动内容
Name：StartVinoS.]]></description><category></category></item><item><title><![CDATA[避免过拟合的正则化方法]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/110316876</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/110316876</guid><author>LK007CX</author><pubDate>Sun, 29 Nov 2020 16:21:09 +0800</pubDate><description><![CDATA[避免过拟合的正则化方法Early StoppingDropoutℓ2\ell2ℓ2范数正则化（ℓ2\ell2ℓ2 Regularization）ℓ1\ell1ℓ1范数正则化（ℓ1\ell1ℓ1 Regularization）ℓ2\ell2ℓ2范数正则化与权重衰减数据增强
旨在减少泛化误差。
Early Stopping
早停法




早停法(Early Stopping)常用于确定合适的训练周期数(epoch)

训练周期数是超参数
过少的训练周期，欠拟合
过多的训练周期，过拟合



早停法步骤：

划]]></description><category></category></item><item><title><![CDATA[超参数设定]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/110311465</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/110311465</guid><author>LK007CX</author><pubDate>Sun, 29 Nov 2020 14:11:31 +0800</pubDate><description><![CDATA[超参数(hyperparameters)是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。


在深度神经网络中，超参数的调整是一项必备技能。通过观察在训练过程中的监测指标如损失loss和准确率来判断当前模型处于什么样的训练状态，及时调整超参数以更科学地训练模型能够提高资源利用率


深度学习主要超参数：

网络模型（结构、层数、激活函数等）
学习率
批次大小（batch size）
迭代次数（epoch，iteration）
优化器


...]]></description><category></category></item><item><title><![CDATA[参数初始化Weight Initialization]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/110310404</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/110310404</guid><author>LK007CX</author><pubDate>Sun, 29 Nov 2020 13:38:05 +0800</pubDate><description><![CDATA[参数初始化Weight Initialization

全零初始化：无法进行模型训练
随机初始化：使用小的随机数（高斯分布，零均值，1e-2标准差）初始化
小网络可以，对于深度网络有问题。网络输出数据分布的方差会随着神经元的个数而改变。
Xavier初始化

为保证前向传播和反向传播时每一层的方差一致。根据每层的输入个数和输出个数来决定参数随机初始化的分布范围。
高斯分布的权重初始化为：高斯分布的随机数乘上
2nin+nout\frac{\sqrt{2}}{\sqrt{n_{in}+n_{out}}}nin]]></description><category></category></item><item><title><![CDATA[数据预处理]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/110308397</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/110308397</guid><author>LK007CX</author><pubDate>Sun, 29 Nov 2020 12:02:01 +0800</pubDate><description><![CDATA[数据预处理
均值归一化（mean normalization）

计算训练集图像像素的均值，之后在处理训练集、验证集和测试集图像时分别减去该均值。移去共同部分，凸显个体差异。

对于每一张图片：

减去平均图像（例如AlexNet）
减去每个通道的平均值（例如VGGNet）

经过变换后，均值变为0，方差变为1。

变换流程


...]]></description><category></category></item><item><title><![CDATA[数据增强Data Augmentation]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/110307859</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/110307859</guid><author>LK007CX</author><pubDate>Sun, 29 Nov 2020 11:50:49 +0800</pubDate><description><![CDATA[数据增强Data Augmentation数据增强的目的图像变换示例图像数据增强方式总结
数据增强的目的
增大训练数据量能持续提升模型的性能

获取更多数据 - 人工标注数据
合成更多数据 - 数据增强

对于图像数据，可通过图像变换来扩充数据量

图像平移
旋转
缩放
翻转
裁剪
添加图像噪声


通过GAN（生成对抗网络）生成图像来扩充数据量。

图像变换示例


shear：裁剪
scale：尺度变换
rotate：旋转


图像数据增强方式总结




英文名
中文名




Random Hori]]></description><category></category></item><item><title><![CDATA[构建基于DeepStream的YOLOV3视频监控程式]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/110228243</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/110228243</guid><author>LK007CX</author><pubDate>Fri, 27 Nov 2020 13:48:03 +0800</pubDate><description><![CDATA[本指南提供了使用DeepStream开发基于YOLOV3的USB智能分析程式。
目标检测算法：YOLO V3
取像硬件：USB高速相机
运行平台：Jetson Nano]]></description><category></category></item><item><title><![CDATA[常见激活函数及其Python代码实现]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/110172756</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/110172756</guid><author>LK007CX</author><pubDate>Thu, 26 Nov 2020 10:50:32 +0800</pubDate><description><![CDATA[常见激活函数及其Python代码实现阶跃函数sigmoid函数relu函数阶跃函数 VS sigmoid函数softmax函数交叉熵函数
阶跃函数
f(x)={1x≥00x&lt;0 f(x)=\left\{
\begin{aligned}
1 &amp; &amp; x\geq 0 \\
0 &amp; &amp; x&lt;0 \\
\end{aligned}
\right.
f(x)={10​​x≥0x&lt;0​
import numpy as np
import matplotlib.pylab ]]></description><category></category></item><item><title><![CDATA[YoloV4训练自己的数据集]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/109719420</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/109719420</guid><author>LK007CX</author><pubDate>Mon, 16 Nov 2020 14:15:50 +0800</pubDate><description><![CDATA[YoloV4训练自己的数据集]]></description><category></category></item><item><title><![CDATA[Github多人协作开发]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/107878826</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/107878826</guid><author>LK007CX</author><pubDate>Sat, 08 Aug 2020 15:41:48 +0800</pubDate><description><![CDATA[这里写目录标题Maintainer新建一个项目
假设已有2个Github账号，一个作为Maintainer，一个作为Contributor。
Maintainer创建一个项目，然后请Contributor一起开发。

Maintainer新建一个项目
Maintainer前往

https://github.com/new

新建一个新的仓库。

点击Create repository完成创建。
Maintainerclone自己的项目到自己的设备上
git clone https://github.com]]></description><category></category></item><item><title><![CDATA[Jetson Nano开机自动启动Python程序]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/105387872</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/105387872</guid><author>LK007CX</author><pubDate>Mon, 03 Aug 2020 18:49:23 +0800</pubDate><description><![CDATA[Jetson Nano开机自动启动python程序]]></description><category></category></item><item><title><![CDATA[Jetson Nano刷机及环境配置]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/105384487</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/105384487</guid><author>LK007CX</author><pubDate>Mon, 03 Aug 2020 18:23:01 +0800</pubDate><description><![CDATA[本文引导读者完成Jetson Nano刷机及环境配置。]]></description><category></category></item><item><title><![CDATA[Yolo图像增广]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106940453</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106940453</guid><author>LK007CX</author><pubDate>Wed, 24 Jun 2020 12:11:10 +0800</pubDate><description><![CDATA[在一些场景下的目标检测中，训练集数量较少，模型对灯光、位置、角度、相机的依赖较深，会导致检测的效果比较差，这时就需要进行图像增广。本文介绍几种常见的图像增广技术，包括裁剪、平移、改变亮度、高斯噪声、旋转以及镜像。]]></description><category></category></item><item><title><![CDATA[书中源码 第5章 基于数组的序列]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106618200</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106618200</guid><author>LK007CX</author><pubDate>Mon, 08 Jun 2020 19:19:18 +0800</pubDate><description><![CDATA[5-1	在Python中，探究列表长度和底层大小关系的实验
import sys                      # provides getsizeof function
data = []
n = 50
for k in range(n):              # NOTE: must fix choice of n
    a = len(data)               # number of elements
    b = sys.getsizeof(data)     #]]></description><category></category></item><item><title><![CDATA[课后练习 第4章 递归]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106597883</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106597883</guid><author>LK007CX</author><pubDate>Sun, 07 Jun 2020 13:02:56 +0800</pubDate><description><![CDATA[R-4.1	对于一个含有n个元素的序列S，描述一个递归算法查找其最大值。所给出的递归算法的时间复杂度和空间复杂度各是多少？
import numpy as np


def find_max(s, n):
    """
    max= {s[0]                     n = 0
         {s[0:n-1]和s[n]中的最大值   n &gt;= 1

    :param s: 含有n+1个数的列表
    :param n: 列表长度-1，列表最后一个元素的索引
    ]]></description><category></category></item><item><title><![CDATA[书中源码 第4章 递归]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106587984</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106587984</guid><author>LK007CX</author><pubDate>Sat, 06 Jun 2020 16:15:00 +0800</pubDate><description><![CDATA[4-1	阶乘函数的递归实现
def factorial(n):
    if n == 0:
        return 1
    else:
        return n * factorial(n - 1)

4-2	绘制一个标尺的函数的递归实现
def draw_line(tick_length, tick_label=''):
    """
    Draw one line with given tick length(followed by optional label).
    :]]></description><category></category></item><item><title><![CDATA[课后练习 第3章 算法分析]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106531010</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106531010</guid><author>LK007CX</author><pubDate>Sat, 06 Jun 2020 11:02:09 +0800</pubDate><description><![CDATA[课后练习 第3章 算法分析巩固
巩固
R-3.1	画出函数8n8n8n、4nlogn4nlogn4nlogn、2n22n^{2}2n2、n3n^{3}n3和2n2^{n}2n的图形，其中xxx轴和yyy轴均为对数刻度。也就是说，若函数f(n)f(n)f(n)的值为yyy，则xxx坐标为log(n)log(n)log(n)，y坐标为log(y)log(y)log(y)，其中，(x,y)(x, y)(x,y)为一个点。

什么是对数刻度？


...]]></description><category></category></item><item><title><![CDATA[书中源码 第3章 算法分析]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106554534</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106554534</guid><author>LK007CX</author><pubDate>Thu, 04 Jun 2020 19:49:15 +0800</pubDate><description><![CDATA[书中源码 第3章 算法分析
3-1	返回Python列表最大值的函数
"""
返回Python列表最大值的函数
"""
def find_max(data):
    """
    Return the maximum element from a nonempty Python list.
    :param data:
    :return:
    """
    biggest = data[0]       # The initial value to beat
    for val in]]></description><category></category></item><item><title><![CDATA[课后练习 第2章 面向对象编程]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106472955</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106472955</guid><author>LK007CX</author><pubDate>Mon, 01 Jun 2020 15:50:15 +0800</pubDate><description><![CDATA[课后练习 第2章 面向对象编程巩固
巩固
R-2.1	给出三个生死攸关的软件应用程序的例子。
我的答案

1、航天飞机程式错误
2、医疗机器程序错误
3、铁路调度系统出错

原始答案


空中交通管制软件
计算机集成手术应用程序
飞行导航系统



R-2.2	给出一个软件应用程序的例子，其中适应性意味着产品销售和破产的生命周期间的不同。
我的答案

Windows Phone手机操作系统因为适配软件太少，导致此手机操作系统市场份额日渐减少。


R-2.3	描述文本编辑器GUI的组件和它封装的方法。
cl]]></description><category></category></item><item><title><![CDATA[书中源码 第1章 Python入门]]></title><link>https://blog.youkuaiyun.com/LK007CX/article/details/106472835</link><guid>https://blog.youkuaiyun.com/LK007CX/article/details/106472835</guid><author>LK007CX</author><pubDate>Mon, 01 Jun 2020 15:10:10 +0800</pubDate><description><![CDATA[书中源码 第一章 Python入门

]]></description><category></category></item></channel></rss>