<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Libaididi的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Libaididi</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Libaididi]]></copyright><item><title><![CDATA[CCF2020-室内用户运动时序数据分类]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/109724730</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/109724730</guid><author>Libaididi</author><pubDate>Mon, 16 Nov 2020 16:50:42 +0800</pubDate><description><![CDATA[CCF2020-室内用户运动时序数据分类机器学习和深度学习分类方法机器学习方法数据处理机器学习方法比较SVC决策树随机森林AdaBoost梯度提升树其他方法结果测试集预测深度学习方法（三层好深啊！）大结局
机器学习和深度学习分类方法
我用sk-learn尝试了机器学习分类方法，用pytorch尝试了神经网络分类方法。结果是深度学习过拟合了，数据集太小。机器学习方法达到了88%的正确率。
机器学习方法
数据处理
废话不多说，直接nunpy、pands。
import numpy as np
import pa]]></description><category></category></item><item><title><![CDATA[Bag of Tricks for Image Classification with Convolutional Neural Networks阅读笔记]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/107334374</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/107334374</guid><author>Libaididi</author><pubDate>Tue, 14 Jul 2020 14:40:22 +0800</pubDate><description><![CDATA[Bag of Tricks for Image Classification with Convolutional Neural Networks —— 使用卷积神经网络进行图像分类的技巧包
文章目录Bag of Tricks for Image Classification with Convolutional Neural Networks —— 使用卷积神经网络进行图像分类的技巧包摘要1、介绍论文大纲2、训练过程实验结果3、高效训练
摘要
作者说在训练神经网络时代码中往往会有一些小Trick，这些小T]]></description><category></category></item><item><title><![CDATA[Linux学习笔记]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/107106378</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/107106378</guid><author>Libaididi</author><pubDate>Fri, 03 Jul 2020 15:39:46 +0800</pubDate><description><![CDATA[文章目录权限管理命令
权限管理命令
改权限：
chmod 775 filename #权限改为775
chmod u+r filename #所有者加上读权限
chmod u+w filename #所有者加上写权限
chmod u+x filename #所有者加上执行权限
chmod g+w filename #所有组加上写权限
chmod o+w filename #其他人加上写权限
#以此类推
改所有者：
chown libai:libaigroup file1.txt #把文件所有者改为libai]]></description><category></category></item><item><title><![CDATA[零基础入门CV赛事—街景字符编码识别—Task4 模型训练与验证]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/106432482</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/106432482</guid><author>Libaididi</author><pubDate>Fri, 29 May 2020 21:26:14 +0800</pubDate><description><![CDATA[文章目录模型训练与验证构造验证集过拟合和欠拟合模型训练与验证模型保存与加载
上次学习构建一个简单的CNN进行训练，并可视化了训练过程中的误差损失和第一个字符预测准确率，但这些还远远不够。一个成熟合格的深度学习训练流程至少具备以下功能：

在训练集上进行训练，并在验证集上进行验证；
模型可以保存最优的权重，并读取权重；
记录下训练集和验证集的精度，便于调参。

模型训练与验证
构造验证集
在机器学习模型（特别是深度学习模型）的训练过程中，模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低]]></description><category></category></item><item><title><![CDATA[零基础入门CV赛事—街景字符编码识别—task3字符识别模型]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/106321327</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/106321327</guid><author>Libaididi</author><pubDate>Mon, 25 May 2020 16:44:08 +0800</pubDate><description><![CDATA[零基础入门CV赛事—街景字符编码识别—task3字符识别模型
在前面的章节，我们学习了赛题的背景知识和赛题数据的读取。本章开始构建一个字符识别模型，基于对赛题理解本章将学习构建一个定长多字符分类模型。
字符识别模型

...]]></description><category></category></item><item><title><![CDATA[零基础入门CV赛事—街景字符编码识别—task2数据读取与扩增]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/106253007</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/106253007</guid><author>Libaididi</author><pubDate>Thu, 21 May 2020 13:14:33 +0800</pubDate><description><![CDATA[数据读取与扩增
上节学习了街景字符编码识别的解题思路，让我们对本赛题有了基本的idea，这节在定长字符编码的思路基础上学习读取数据和数据扩增。
图像数据读取
由于赛题数据是图像数据，赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作，在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。
pillow
Pillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了常见的图像读取和处理的操作，而且可以与ipython notebook无缝集成]]></description><category></category></item><item><title><![CDATA[零基础入门CV赛事—街景字符编码识别—task1赛题理解]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/106185983</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/106185983</guid><author>Libaididi</author><pubDate>Mon, 18 May 2020 10:31:16 +0800</pubDate><description><![CDATA[Datawhale 零基础入门CV赛事—街景字符编码识别—赛题理解街景字符编码识别数据集数据来源数据标签评测标准标签数据读取解题思路简单入门思路：定长字符识别专业字符识别思路：不定长字符识别专业分类思路：检测再识别小节
街景字符编码识别
零基础入门CV赛事- 街景字符编码识别是Datawhale联合天池举办的CV入门学习赛，赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模]]></description><category></category></item><item><title><![CDATA[Pytorch faster rcnn模型调用和调整]]></title><link>https://blog.youkuaiyun.com/Libaididi/article/details/106165066</link><guid>https://blog.youkuaiyun.com/Libaididi/article/details/106165066</guid><author>Libaididi</author><pubDate>Sat, 16 May 2020 22:12:57 +0800</pubDate><description><![CDATA[Pytorch Faster rcnn 模型调用和调整github上的项目太庞大了下载--打开--看到几十行import--关闭在kaggle上看到了一个大神的代码有两种调整方法1.接上面的代码
github上的项目太庞大了
最近我在做目标检测比赛，因为是小比赛并且对模型和训练时间有限制，所以我懒得在GitHub上下载faster-rcnn项目自己安装，调试，debug。有一说一，我确实在GitHub上下载了几个开源项目，但是它们太大了，我无从下手。
下载–打开–看到几十行import–关闭
GitHub上]]></description><category></category></item></channel></rss>