<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Tomxiaodai的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Tomxiaodai</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Tomxiaodai]]></copyright><item><title><![CDATA[kaggle phone verify 收不到手机验证码（2019.05亲测可行）]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/80167765</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/80167765</guid><author>Tomxiaodai</author><pubDate>Mon, 15 Jul 2019 19:20:13 +0800</pubDate><description><![CDATA[kaggle上下载一下数据集必须手机验证，结果验证时一直提示错误输入的格式错误，试了网上的很多方法均失败。


第一步：验证界面下方有 contact us



2.按照提示继续找



3.界面会重新回到手机验证界面，不过多了一个人机验证。点击人机验证，按要求选择图片中出现的物体，完成验证。

手机号前加860



4. 最后就会受到短信。如下图。kaggle的短信验证好随意啊，我还以...]]></description><category></category></item><item><title><![CDATA[图像检索技术综述（从SIFT到CNN）]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89920218</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89920218</guid><author>Tomxiaodai</author><pubDate>Tue, 07 May 2019 14:28:43 +0800</pubDate><description><![CDATA[最近开始学习图像检索，看到一篇2015年写的不错的综述，介绍了从SIFT到CNN的技术发展。看到网上也有一些翻译版本，但是明显的机器翻译，直接复制粘贴，很多专有词汇没有翻译到位。所以为了自己学习，也为了方便后面的同学阅读，斗胆翻译了一下。

这篇综述比较长，所以分为三个部分。本文是第一个部分，SIFT和CNN的综述

SIFTMeets CNN:A Decade Survey of Instan...]]></description><category></category></item><item><title><![CDATA[关于numpy中的axis和shape的一些思考]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89887566</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89887566</guid><author>Tomxiaodai</author><pubDate>Mon, 06 May 2019 17:57:42 +0800</pubDate><description><![CDATA[首先对于axis的理解

对于高维的矩阵，对于新手来说，分析它的axis，可能会有些困难。但是不用担心，看完这篇帖子，你应该就明白了



一句话，看axis就看是几级中括号

最外侧的中括号是一级中括号，表示axis=0

里面一层的中括号是二级中括号，表示axis=1



在一级中括号的眼里（axis=0），他看不见两个二级中括号中间的内容。

上式的在axis=0方向的和





在二级...]]></description><category></category></item><item><title><![CDATA[C++ API调用mysql内容，中文显示为问号的解决方案]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89509928</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89509928</guid><author>Tomxiaodai</author><pubDate>Thu, 25 Apr 2019 10:13:24 +0800</pubDate><description><![CDATA[数据库中可以显示中文，但是调用API读取之后发现，中文都变成了问号？，这就很尴尬了





解决方法：

在调用mysql_query读取数据之前执行一次


mysql_query(&amp;mysql,"set names utf8");

指定客户端和服务器之间传递字符的编码规则是utf8.

最后的效果



--------------------------------------...]]></description><category></category></item><item><title><![CDATA[Ubuntu下配置opencv及opencv_contrib]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89394636</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89394636</guid><author>Tomxiaodai</author><pubDate>Fri, 19 Apr 2019 11:04:20 +0800</pubDate><description><![CDATA[0 前言

最近的项目需要，经常配置opencv，在window,ubuntu,以及阿里云服务器上都配置过，遇到过很多问题，这里记录一下，给后面的朋友指个路

1 安装环境


sudo apt-get install build-essential
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev lib...]]></description><category></category></item><item><title><![CDATA[解决mysql只能添加sudo才可以登录，同时C++接口连接失败的问题]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89314463</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/89314463</guid><author>Tomxiaodai</author><pubDate>Mon, 15 Apr 2019 16:35:41 +0800</pubDate><description><![CDATA[问题：每次需要添加sudo才可以登录，如下图所示

如果只是操作简单数据库的话，虽然多输入一遍密码也能忍受，但是导致我的mysql的Ｃ++接口，因为权限不够无法连接了，这就只能逼着我解决问题



查看root用户的权限，将auth_sock改为mysql_native_password。



然后通过flush privileges 使更改立马生效



退出mysql,然后用mysql -...]]></description><category></category></item><item><title><![CDATA[关于tkinter的水平滚动条Scrollbar无法移动的问题]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/88547668</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/88547668</guid><author>Tomxiaodai</author><pubDate>Thu, 14 Mar 2019 10:55:08 +0800</pubDate><description><![CDATA[最近用tkinter在做一个软件，但是在添加进度条时，发现发现垂直进度条时正常的，但是水平进度条时用不了的，它会自动全部充满，无法移动。



代码参考：


# -*- coding:utf-8-*-
from tkinter import *
from tkinter import ttk

root = Tk()
root.geometry(&quot;400x400&quot;)

tv = ttk.Tree...]]></description><category></category></item><item><title><![CDATA[ResNet学习笔记]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82593477</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82593477</guid><author>Tomxiaodai</author><pubDate>Mon, 10 Sep 2018 21:33:15 +0800</pubDate><description><![CDATA[ResNet的提出

随着网络的加深，出现了训练集准确率下降的现象，我们可以确定这不是由于Overfit过拟合造成的(因为过拟合的情况训练集应该准确率很高)，对于这种深度网络的退化问题，限制了模型的深度。ResNet的出现解决了这一问题（对于是否解决了，也有人提出质疑），因此是继AlexNet之后的有一个里程碑。

作者针对这个问题提出了一种全新的网络，叫深度残差网络，它允许网络尽可能的加深，其中...]]></description><category></category></item><item><title><![CDATA[一文看懂CNN经典网络的进化]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82533817</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82533817</guid><author>Tomxiaodai</author><pubDate>Mon, 10 Sep 2018 20:56:18 +0800</pubDate><description><![CDATA[目录

LeNet(1998)

AlexNet(2012)

ZF Net (2013)

VGG(2014)

Network In Network(2014)

Inception (GoogLeNet)  (2015)

ResNet(2015)                 ​​​

DenseNet(2017)

LeNet(1998)

LeNet-5，这个开创性的模型很大程度上引...]]></description><category></category></item><item><title><![CDATA[【目标检测】SSD算法--损失函数的详解(tensorflow实现）]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82354720</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82354720</guid><author>Tomxiaodai</author><pubDate>Mon, 03 Sep 2018 23:37:38 +0800</pubDate><description><![CDATA[SSD的损失函数包含用于分类的log loss 和用于回归的smooth L1，并对正负样本比例进行了控制，可以提高优化速度和训练结果的稳定性。



总的损失函数是分类和回归的误差的带权加和。α表示两者的权重，N表示匹配到default box的数量

1 loc的损失函数：smooth L1

 



y_true：shape:  (batch_size,n_boxes,4) ,最后一个维度...]]></description><category></category></item><item><title><![CDATA[【目标检测】SSD算法—-模型结构的详解及Python源码分析]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/81875810</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/81875810</guid><author>Tomxiaodai</author><pubDate>Mon, 03 Sep 2018 20:01:54 +0800</pubDate><description><![CDATA[前言

最近在研究SSD算法，感觉SSD是继Faster RCNN之后的最具有开创性的工作，SSD可以和Faster-RCNN的精度与Yolo的速度相媲美，现在很多公司还在应用SSD一类的算法，有必要好好钻研一下。

因此准备写一些对SSD的算法理解，以及一些关键源码的分析。

刚开始啃这一块，如果有问题，辛苦大家指出来。

SSD模型结构

先给出经典的网络结构图，以ssd300为例



可以...]]></description><category></category></item><item><title><![CDATA[BP神经网络--纯Python实现]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82318268</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82318268</guid><author>Tomxiaodai</author><pubDate>Sun, 02 Sep 2018 20:02:41 +0800</pubDate><description><![CDATA[Requirements

Numpy
	keras(只用来导入dataset)
	sklearn（只用来导入dataset）
实现的功能是多分类任务，最后在mnist上实验了一下

导入Mnist数据


import numpy as np
from keras.datasets import mnist
from sklearn.preprocessing import OneHotEnco...]]></description><category></category></item><item><title><![CDATA[剑指Offer（Python实现）系列更新中。。。]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82263132</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82263132</guid><author>Tomxiaodai</author><pubDate>Fri, 31 Aug 2018 22:59:50 +0800</pubDate><description><![CDATA[目录

【面试题3】：数组中重复的数字

【面试题4】二维数组的查找

【面试题11】：旋转数组的最小数字

【面试题21】：调整数组顺序使奇数位于偶数前面

【面试题22】：链表中倒数第k个结点

【面试题25】：合并两个排序的链表

【面试题39】数组中出现次数超过一半的数字

【面试题42】连续子数组的最大和

【面试题45】把数组排成最小的数

【面试题51】数组中的逆序对

【面试题53...]]></description><category></category></item><item><title><![CDATA[剑指Offer（C++实现）系列更新中。。。]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82262932</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82262932</guid><author>Tomxiaodai</author><pubDate>Fri, 31 Aug 2018 22:58:52 +0800</pubDate><description><![CDATA[目录

【面试题3】

【面试题4】

【面试题11】：旋转数组的最小数字

【面试题21】：调整数组顺序使奇数位于偶数前面

【面试题22】

【面试题25】

【面试题39】数组中出现次数超过一半的数字

【面试题42】连续子数组的最大和

【面试题45】把数组排成最小的数

【面试题51】数组中的逆序对

【面试题53】数字在排序数组中的次数

 

【面试题3】

题目描述：

在一个长度...]]></description><category></category></item><item><title><![CDATA[keras如何编写自定义的层]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82223047</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82223047</guid><author>Tomxiaodai</author><pubDate>Thu, 30 Aug 2018 16:22:35 +0800</pubDate><description><![CDATA[ 

有时keras内置的层无法满足自己的要求时，就需要自己编写，比如自定义一个损失函数

 

1. 自定义层的框架结构

Keras2的层应该具有的框架结构，要定制自己的层，你需要实现下面三个方法：


	build(input_shape)：这是定义权重的方法，可训练的权应该在这里被加入列表`self.trainable_weights中。其他的属性还包括self.non_trainabe_...]]></description><category></category></item><item><title><![CDATA[一文看懂梯度下降算法的演化（含代码实现）]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82149886</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82149886</guid><author>Tomxiaodai</author><pubDate>Wed, 29 Aug 2018 16:10:24 +0800</pubDate><description><![CDATA[目录

0 前言

1 Gradient descent variants梯度下降的变体

1.1 Batch gradient descent批量梯度下降，又名 Vanilla gradient descent

1.2 Stochastic gradient descent 随机梯度下降

1.3 Mini-batch gradient descent 小批量梯度下降

2 SGD的缺点

3...]]></description><category></category></item><item><title><![CDATA[为何含有全连接层的网络，需要固定输入图片大小？]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82146376</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82146376</guid><author>Tomxiaodai</author><pubDate>Tue, 28 Aug 2018 14:23:05 +0800</pubDate><description><![CDATA[前言

在图像识别，目标检测等任务中经常用到预训练的模型，比如在VGG16模型结构（除去最后一层）的基础上加上多个softmax层用来分类。在SSD中用预训练的VGG16和ResNet50作为特征提取层。

 

当你用到包含全连接层的预训练模型时，就需要固定固定输入图片的大小。



池化层需要经过Flatten压扁之后，才能和全连接成相连。

如上图，经过最后一个池化层和Flatten后的输出...]]></description><category></category></item><item><title><![CDATA[CNN卷积神经网络的前向传播]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82080808</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/82080808</guid><author>Tomxiaodai</author><pubDate>Sun, 26 Aug 2018 16:13:47 +0800</pubDate><description><![CDATA[CNN的前向传播



1. 输入层到卷积层的前向传播



 

假设输入的是RGB的彩色图像，因此输入X是3个矩阵，分别对应了R,G,B的矩阵。

因为输入层是三个维度，因此卷积层一个filter的维度也是3.



a表示当前层的输出，上标表示层数。σ表示激活函数，一般是Relu, *表示卷积操作，W表示卷积核

可以发现，CNN和标准的BPNN的前向传播很相似，只是，CNN不只是矩阵的乘积...]]></description><category></category></item><item><title><![CDATA[卷积到底是如何操作的？1x1卷积？参数如何计算？]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/81835238</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/81835238</guid><author>Tomxiaodai</author><pubDate>Thu, 23 Aug 2018 10:31:59 +0800</pubDate><description><![CDATA[目录

卷积到底是如何操作的

filter的参数如何计算

卷积的特性

1x1的卷积核


卷积到底是如何操作的


1. 对于一个特征图（如灰度图）             
 



卷积就是对应元素乘积的求和,然后在加上一个非线性函数。

但是上面的例子只有一个输入channel和一个卷积核，当有很多channel和多个卷积核时，又改如何计算呢？

2. 多个特征图如何和多个filter...]]></description><category></category></item><item><title><![CDATA[多任务学习算法及代码实现]]></title><link>https://blog.youkuaiyun.com/Tomxiaodai/article/details/81916510</link><guid>https://blog.youkuaiyun.com/Tomxiaodai/article/details/81916510</guid><author>Tomxiaodai</author><pubDate>Tue, 21 Aug 2018 23:58:14 +0800</pubDate><description><![CDATA[目录

多任务学习 ：共享相关任务表征

更多的应用举例

网络结构

keras实现多任务学习（硬共享机制）

多任务学习需要准备的数据不太一样

多任务学习 ：共享相关任务表征

定义：基于共享表示（shared representation），把多个相关的任务放在一起学习的一种机器学习方法。

也就是说，基于某些层的参数共享，训练几个具有相似性的任务，然后给出每个任务的分类结果。

举例：比...]]></description><category></category></item></channel></rss>