Simplify_boy的博客

onnx报错

Simplify_boy — Thu, 15 Sep 2022 16:29:05 +0800

import onnx 报错：undefined symbol: _ZN6google8protobuf7Message17CopyWithSizeCheckEPS1_RKS1_

ros2 自定义消息

Simplify_boy — Wed, 15 Sep 2021 17:48:36 +0800

在使用ros2时，有时需要自定义一个数据结构传递数据。具体方法如下 ## 创建ros2包 ros2 pkg create --build-type ament_cmake --node-name box box ## 创建msg文件夹，并创建*.msg数据结构 cd box mkdir msg touch box.msg box.msg中添加数据结构 std_msgs/Header header int32 x int32 y int32 width int32 height ## 修

ubuntu c++时间计算

Simplify_boy — Mon, 05 Jul 2021 17:09:39 +0800

#include #include #include class Time { public: Time(){} ~Time(){} void start() { gettimeofday(&tv1,nullptr); } int cost() { gettimeofday(&tv2,nullpt.

yolo5工程化

Simplify_boy — Tue, 09 Mar 2021 11:57:10 +0800

yolov5 模型使用工程 git clone https://github.com/ultralytics/yolov5.git 预训练模型首次运行时，attempt_download函数会下载对应的模型。模型参数配置在models/*.yaml里。 yolov5网络组成 Focus + Backbone + Detect coco数据集训练下载coco数据集，放在于yolov5同一目录下。 python3 train.py --data coco.yaml --cfg yolov5s.y

ubuntu16.04安装/卸载nvidia-driver/cuda

Simplify_boy — Mon, 12 Oct 2020 14:38:49 +0800

卸载卸载nvidia驱动方法1 sudo apt-get purge nvidia* sudo apt-get autoremove sudo apt-get autoclean dpkg -l | grep ^rc | awk '{print $2}'|sudo xargs dpkg -P dpkg -l | grep nvidia | awk '{print $2}'|sudo xargs dpkg -P 方法2 sudo ./NVIDIA-Linux-.run -

精度/召回/AP/mAP

Simplify_boy — Thu, 24 Sep 2020 17:56:36 +0800

import numpy as np import matplotlib.pyplot as plt def voc_ap(rec, prec, use_07_metric=False): if use_07_metric: # 11 point metric ap = 0. for t in np.arange(0., 1.1, 0.1): if np.sum(rec >= t) == 0:

conda环境下tensorrt安装

Simplify_boy — Tue, 22 Sep 2020 16:04:01 +0800

下载tensorrt 登录：https://developer.nvidia.com/tensorrt 进入：https://developer.nvidia.com/nvidia-tensorrt-7x-download 在Tar File Install Packages For Linux x86下，选择 TensorRT 7.0.0.11 for Ubuntu 16.04 and CUDA 10.0 tar package 下载获取的文件TensorRT-7.0.0.11.Ubuntu-16.04.

优化器

Simplify_boy — Mon, 31 Aug 2020 18:16:36 +0800

优化器 SGD Wnew=Wold−α∂Loss∂WoldW_{new}=W_{old} - \alpha\frac{\partial{Loss}}{\partial{W_{old}}}Wnew=Wold−α∂Wold∂Loss α\alphaα:学习率缺点：容易陷入局部极小值加入动量（Momentum），解决局部极小值。 SGD+Momentum Momentum更新：Vnew=ηVold−α∂LossWoldV_{new}=\eta V_{old} - \alpha \frac{\parti

c++测试题

Simplify_boy — Wed, 12 Aug 2020 11:32:15 +0800

栈的压入、弹出序列方法：模拟法直接模拟即可。因为弹出之前的值都会先入栈，所以这里用个栈来辅助。 #include #include #include using namespace std; /** * @brief 给出一个入栈序列pushV和出栈序列popV, 判断出栈序列是否满足条件. * @param pushV 栈的压入顺序. * @param popV 是否可能为该栈的弹出顺序.

排序比较算法c++

Simplify_boy — Fri, 07 Aug 2020 11:33:26 +0800

冒泡排序时间复杂度：O(n2)O(n^2)O(n2) #include #include #include using namespace std; void bubbleSort(int arr[], int len) { int i, j; for (i = 0; i < len - 1; i++) { for (j = 0; j < len - 1 - i

C++STL-ALGORITHM函数

Simplify_boy — Mon, 03 Aug 2020 10:51:59 +0800

在编写c++代码时，有很多常用方法，在stl algorithm中给出了接口，这里简单介绍部分方法。 std::foreach 逐个元素传入函数或类实例，执行相应的操作。 template Function for_each(InputIterator first, InputIterator last, Function fn) { while (first!=last) { fn (*first);

CNN网络感受野计算

Simplify_boy — Fri, 17 Jul 2020 17:46:05 +0800

计算公式 lk=lk−1+[(fk−1)∏i=1k−1si]l_{k}=l_{k-1}+[(f_{k}-1)\prod_{i=1}^{k-1}s_i]lk=lk−1+[(fk−1)i=1∏k−1si] 其中lkl_{k}lk为k层的感受野，fkf_{k}fk为k层的卷积核大小，∏i=1k−1si\prod_{i=1}^{k-1}s_i∏i=1k−1si为stride的乘积。 No. layers kernel size stride 1 conv1 3x3 2 2 po

统计学习（1）

Simplify_boy — Wed, 01 Jul 2020 19:55:58 +0800

概率先验概率：根据以前的经验，提前知道的事件概率;如：今天下雨的概率; 后验概率：由果及因，后知后觉，概率时间的结果推测原因起作用的概率;如，今天下雨，求有乌云的概率; 似然概率：由因及果，似然likehood自然的推测，都是知道原因，求原因造成结果发生的概率。如：今天阴天，求下雨的概率。模型学习适用条件是什么？解决什么问题？对应的统计学习三要素？统计学习的三要素：假设空间：包含所有可能的条件概率分布或决策函数。策略：按照什么样的准则学习或选择最优模型。（损失函数）求解算法：使用什么样

卡尔曼跟踪

Simplify_boy — Wed, 01 Jul 2020 16:59:06 +0800

卡尔慢预测更新 predict： x^i−=Ax^i−1+Bui−1\widehat{x}_i^{-} = A\widehat{x}_{i-1}+Bu_{i-1}xi−=Axi−1+Bui−1 correction: x^i=x^i−+k(yi−Hx^i−)\widehat{x}_i = \widehat{x}_i^{-}+k(y_i-H\widehat{x}_i^{-})xi=xi−+k(yi−Hxi−) 其中，kkk为kalman gain matrix; yiy_iyi观测值; AAA

训练数据转换为PASCAL VOC2007

Simplify_boy — Wed, 01 Jul 2020 15:33:08 +0800

数据我们已有标注数据个数为json保存的，现在训练代码使用的标注格式为PASCAL VOC2007，为了不修改代码，将数据转换到PASCAL VOC2007的xml格式。转换代码 import os import json from lxml.etree import Element, SubElement, tostring, ElementTree from xml.dom import minidom # 从文件夹下获取json文件名 def ReadFileDir(path): file

linux 后台运行命令

Simplify_boy — Thu, 18 Jun 2020 16:07:57 +0800

nohup ./xxx.sh &

机器学习-损失函数

Simplify_boy — Sat, 06 Jun 2020 15:38:42 +0800

为什么使用损失函数 θj+1=θj−η∂J(θj)∂θj\theta_{j+1}=\theta_j-\eta\frac{\partial J(\theta_j)}{\partial \theta_j}θj+1=θj−η∂θj∂J(θj) θj+1\theta_{j+1}θj+1:更新后的权重；η\etaη:学习率；∂J(θj)∂θj\frac{\partial J(\theta_j)}{\partial \theta_j}∂θj∂J(θj):权重的梯度。 ∂J(θj)∂θj\frac{\p

c++注册类方法实现单例映射

Simplify_boy — Sat, 06 Jun 2020 12:20:29 +0800

概述在caffe和阿里MNN中，广泛使用了注册方法，简化了代码的复杂程度。下面我们简单梳理一下。分析要实现一套多种计算架构使用的代码，如cpu、gpu等。要在每个计算架构下，实现各种算子。使用一套接口实现。要达到以上要求，需要给各部分设置通用的接口，利用c++类的继承，能让所有的计算架构或算子具有相同的接口，接口一致，有利于代码的简化。解析定义通用结构平台 typedef enum { MNN_FORWARD_CPU = 0, /* Firtly find

逻辑斯蒂回归与最大熵模型

Simplify_boy — Tue, 02 Jun 2020 16:37:17 +0800

概述共同点：都属于概率模型P(Y|X)；对数线性模型：lnP(Y|X)=wx；在logit里面时关于x的线性函数，在最大熵里是关于x的函数的线性函数。区别： (1)逻辑斯蒂回：判别模型 (2)最大熵模型：生成模型，y和x都有随机性，除了P(Y|X)，样本中的经验分布： P‾(x)\overline{P}(x)P(x) 逻辑斯蒂回归模型二维逻辑斯蒂回归模型 lnP(Y=1∣x)1−P(Y=1∣x)=w⋅x（1）ln\frac{P(Y=1|x)}{1-P(Y=1|x)}=w\cdot x

opencv交叉编译android库

Simplify_boy — Mon, 27 Apr 2020 21:24:17 +0800

准备下载android-sdk android-sdk 解压 tools 执行 ./android update sdk 选择一个build-tools安装 android-ndk https://developer.android.google.cn/ndk/downloads 编译 cmake … -DCMAKE_TOOLCHAIN_FILE=…/platforms/android/and...