Zhang_713的博客

原创 深度学习报错：Could not load library libcudnn_ops_infer.so.8. Error: /usr/local/cuda-11.8/lib64/libcudnn_op

你可以看一下/usr/local/cuda-11.8/targets/x86_64-linux/lib这个目录下的几个版本的libcudnn_cnn_infer文件，有几个版本的日期是最近两天的，这些版本不适用，所以我们需要换到较早日期的版本。可能的原因之一是链接的文件不正确或损坏。您可以尝试重新下载并安装CUDA和cuDNN，确保文件完整且正确。2、重新创建符号链接：（这里注意从你的目录下找对应的cuda版本和libcudnn版本）我这个问题是服务器重启或者更新导致的软连接指向的文件更新，从而运行报错。

原创 Github上git lfs oid sha256文件无法下载的解决方案

报错信息：magic_number = pickle_module.load(f, **pickle_load_args)_pickle.UnpicklingError: invalid load key, 'v'.文件信息：sha256加密下载链接

原创 pytorch bug汇总

pytorch日常报错汇总

原创 解决手机邮箱登录学生邮箱时服务器无法连接的问题

一、基础解决方式在非自家客户端登录其他邮箱时，登陆密码为授权码，而不是邮箱密码。授权码操作过程：1、qq邮箱：网页邮箱——左上角设置——账户设置——POP3/IMAP/SMTP/Exchange/CardDAV/CalDAV服务——开启前三个，并且生成授权码（此授权码就是在手机邮件客户端登陆时需要用到的密码，一个客户端只能用一个授权码，新增设备需要在网页上再次申请一个。）2、163邮箱网页邮箱——左上角设置——pop3/SMTP/IMAP——之后与上述操作一样。二、万能解决方式参考网易企

原创 （论文总结）Temporal Pyramid Network for Action Recognition

一、大致介绍本文提取出了一个关注视频中动作快慢的网络，与SlowFast类似，但是SlowFast是将一个流分为两个帧率不同的分支最后再融合。而本文是结合了特征金字塔的思想来特征融合。二者有一定的区别，效果也再文中作出了对比。论文地址：2004.03548.pdf (arxiv.org)二、本文的结构2.1 背景文中举了一个例子：walking，jogging and running，三种行走的速率不同，如果统一处理的话会加大运算量，所以本文旨在研究如何更好的将不同动作速率的行为进行高效的特征.

原创 基于LSTM算法的股票预测详解

一、需求给定几个已知的股市因素（开盘、收盘、最高、最低、成交量、成交额）及各因素对应的大量数据，训练一个该股票的涨跌趋势的预测模型。并在给定的测试数据的条件下求出接下来的涨跌趋势。即得到下图中的label值。-1代表跌、1代表涨。二、分析1、LSTM简单介绍LSTM这个算法是专门训练有时间序列信息的数据的，即这些数据不仅按照时间递增的顺序排布，并且前后的数据都有着很强的联系。个人认为与马尔可夫的思想差不多，即后面的值由前面的值来决定。本次需求是要根据已知的股市数据来分析某个时间段的涨跌趋势，并预测

原创 （论文总结）Video Transformer Network

论文地址：论文地址一、目前存在的问题及相应的改进1、3D卷积来提取时序特征的计算量问题**问题：**在视频任务下，传统卷积方法中为了更好的提取时序特征，一般采用3D的卷积方式，其中的计算量不管怎么改进也避免不了计算量大的问题。**改进：**文中使用最新的2D结构来提取空间信息，然后在结果特征上采用注意力机制来添加时序信息。此方法的输入只需要RGB视频帧流即可，不需要类似光流这样的其他流。2、针对长序列时序信息的提取**问题：**Transformers一开始用于具有连续性的语言模型上，在视频任.

原创 （论文总结）SlowFast Networks for Video Recognition

SlowFast Networks for Video Recognition文章目录SlowFast Networks for Video Recognition一、传统的方法存在的问题1、没有将变化大和变化小的行为作出区分计算2、双流法的计算量和最后fc8的融合依旧是个问题二、本文的改进1、slow与fast两条路进行结合三、实验四、总结论文地址：论文官方代码：官方代码一、传统的方法存在的问题1、没有将变化大和变化小的行为作出区分计算（1）一个视频中的行为其实可以分为静态和动态的，一般认为做

原创 （论文总结）SmallBigNet Integrating Core and Contextual Views for Video Classification

SmallBigNet: Integrating Core and Contextual Views for Video Classification[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bkcffHEX-1620830230231)(C:\Users\张plus\AppData\Roaming\Typora\typora-user-images\image-20210512170633032.png)]文章目录SmallBigNet: Integrating

原创 （论文总结）Real-time Action Recognition with Enhanced Motion Vector CNNs

论文地址：https://arxiv.org/pdf/1604.07669.pdf代码地址：https://github.com/zbwglory/MV-release论文效果：基于双流网络，在精度保证损失很小的的情况下在UCF101上的FPS达到390.7（双流的FPS为14.3）要解决的核心问题：论文主要是基于双流网络来做的改进，双流网络有以下部分缺点：（1）光流（optical flow）占据的最大的运算量，并且由于运算量大，导致模型没有实时性,如下图为14.3...

原创 （论文总结）Compressed Video Action Recognition

代码地址：https://github.com/chaoyuaw/pytorch-coviar一、摘要首先，深度神经网络尽管在图像任务中表现出了非常好的效果，但是在视频任务中由于存在时序问题，它有时候并不能发挥出最好的作用。传统的双流法采用光流来提取视频帧之间的运动差异信息，但是是针对整个视频来提取的，但是这里有个问题，视频在传输和读取的过程中占据了非常大的内存，只有通过编码（H264）将原始视频先压缩成IBP帧，降低视频大小（通常可以将200多g的视频压缩为1g的文件），用的时候再根据I...

原创 机器学习——隐马尔可夫模型（一）

本文参考 统计学习方法（第二版）李航著 隐马尔可夫模型是可用于标注问题的统计学习模型，描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型。它是关于时序的概率模型，描述由一个隐藏的马尔可夫链随随机生成不可观测的状态随机序列，再由各个状态生成一个观测从而产生观测随机序列的过程。隐藏的马尔科夫链随机生成的状态的序列，称为状态序列；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列。序列的每一个位置又可以看作是一个时刻。模型由初始概率分布、状态转移概率分布以及观测概率分布确...

原创 Anaconda的安装以及深度学习Pytorch的安装教程

一、安装Anaconda1、简介Anaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。2、要求：文件大小：根据不同的版本（32/64）大小不同所需空间大小：2-4GB3、下载：（官网下载）：很慢，不推荐官网地址：https://www.anaconda.com/（清华镜像下载）：很好用，下载速度很快https://mirrors.tuna..

原创 目标检测—RNN、Fast RNN到Faster RNN的思想增进及Faster RNN的网络结构

参考链接：https://aistudio.baidu.com/aistudio/education/lessonvideo/679504

原创 目标检测之R-CNN（一）

原创 新版本Android Studio 4.0中添加依赖（RecyclerView为例）和旧版本的详细方法

一、老版本老版本的Android studio在安装依赖的时候需要从file->projectStructure->Dependencies->app->Library dependency中输入依赖包，并且在app文件下的build.gradle中添加几条语句然后再从xml里添加控件就可以，但是新版本的很麻烦，有更好的办法替代！在下面输入包名即可：从build.gradle添加如下语句：二、新版本：直接在所要用到的xml界面看就行，右上角找.

原创 python中yield的简单解释

原创 统计学习方法——支持向量机（SVM） 递推式学习笔记（手写）完

原创 概率论1-4章知识点总结（手写）

原创 VGG中1*1的卷积核相比于全连接层的好处及原因

原创 Alexnet网络相比于基本神经网络的改进（思维导图&手写笔记）

本文主要是对AlexNet网络模型的基本构成的分析笔记，五层卷积+池化+标准化以及三层全连接层暂不作笔记。只记下前五层输出特征图像的计算过程。 传统网络模型的一些显而易见的问题：AlexNet模型相比于普通神经网络模型的优势：参考链接：1、https://www.cnblogs.com/wangguchangqing/p/10333370.html2、https://aistudio.ba...

原创 百度飞浆深度学习_卷积神经网络（思维导图手写笔记）（1：理论部分）

原创 Deep Learning from Scratch(深度学习入门鱼书)手写总结（一）

原创 符合28个概率分布函数的随机数生成的Java代码实现（更新中）

接口：public interface hanshu { void rand_lianxu_print(double a1,int []num,int n); void choose_hanshu(int n,int []num,int m); double Beta_Distribution(double alpha, double beta);//(1) int Binomial_Distribution(double probaility, int N);//(

原创 C语言生成符合柯西、指数分布(连续型)的随机数（手写）

求满足连续性概率分布的随机数生成（C语言生成符合泊松分布(离散型)的随机数（手写））https://blog.youkuaiyun.com/Zhang_713/article/details/109130118对于连续型概率分布，只需要通过反函数即可得出随机数。原理如下：下图为利用反函数求随机数并根据随机数的频率得到分布图的过程。 而下面这个图的原函数是x3次方，反函数为x1/3次方，我们用rand生成一些随机数并代入x1/3次方得到的值yi就是图上的蓝线，根据在y轴上设置好的区间来看，0-10的.

原创 C语言生成符合泊松分布(离散型)的随机数（手写）

首先明确泊松分布的定义，泊松分布属于离散型随机分布，针对离散型随机分布类型的随机数产生，需要从其定义下手（连续性随机变量是利用反函数来进行推导，下一篇文章会介绍）接下来请您根据文字和对应的解释图来进行理解。 泊松分布大致意思是在单位时间内事件发生次数，那么我们首先定义一个时间t，在时间t中发生的次数为n，概率为p，那我们想要得到单位时间内发生的次数就要把这个时间t进行拆分，拆分到单位时间内发生的次数小于等于1，这样的话当t很大的时候，当拆分成单位时间时，事件在单位时间内发生的次数...

原创 单链表的基本操作

单链表的基本操作//节点的定义typedef struct LINKNODE{int info; //存储信息struct LINKNODE * next;}LinkNode;/...