- 博客(47)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 匈牙利算法学习笔记
二分图通常针对无向图问题。假设GVEG=(V,E)GVE是一个无向图，节点集合VVV可以分割为两个互不相交的子集，并且图中每条边依附的两个节点都分属于这两个互不相交的子集，两个子集内的节点不相邻。
2023-02-20 19:31:07
892
原创 Vision Transformer学习笔记
最初提出是针对NLP领域，并且在NLP领域大获成功。这篇论文也是受到其启发，尝试将应用到CV领域。
2022-10-24 13:17:13
3611
原创 YOLOv5-v6.0学习笔记
YOLOv5-6.0版本的Backbone主要分为Conv模块、CSPDarkNet53和SPPF模块。YOLOv5在Conv模块中封装了三个功能：包括卷积(Conv2d)、Batch Normalization和激活函数，同时使用autopad(k, p)实现了padding的效果。其中YOLOv5-6.0版本使用Swish(或者叫SiLU)作为激活函数，代替了旧版本中的Leaky ReLU。Focus模块是YOLOv5旧版本中的一个模块，它的结构如下图所示。其中核心部分是对图片进行切片(slice..
2022-06-08 12:59:55
19920
17
原创 李宏毅深度学习课程笔记（一）——Self-attention和Transformer
李宏毅深度学习课程笔记（一）——Self-attention和Transformer1. 前言2. Self-attention视频课程链接：https://www.bilibili.com/video/BV1Xp4y1b7ih?1. 前言在过去的使用场景中，模型的输入通常只有一个单独的向量，而模型的输出则是预测的数值或类别，如上图。但是假设输入的是一排向量（或序列），且向量的长度不是固定的，例如声音信号、语句、基因序列等，如上图。而对于模型输出而言，可以分为如下图所示的三种类型，即输入输出序列
2022-03-24 21:16:11
1806
原创 吴恩达卷积神经网络章节笔记（三）——目标检测
吴恩达卷积神经网络——学习笔记（三）1. 目标定位 (Object Localization)1.1 基本概念1.2 标签定义1.3 损失函数2. 目标检测 (Object Detection)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.youkuaiyun.com/weixin_36815313/article/details/1057289191. 目标定位 (Object Localization)1.1
2021-11-19 18:09:41
1697
原创 吴恩达卷积神经网络章节笔记（二）——经典网络
ResidualBlock)来构建任意深度的神经网络，但是又能避免普通的卷积层堆积存在的信息丢失问题，保证前向信息流的顺畅，同时残差结构又能应对反向传播过程中的梯度消失问题，保证反向信息流的顺畅。对于非常深的深层神经网络来说，由于梯度消失和梯度爆炸的影响，隐藏层的权重更新缓慢甚至停滞，训练过程中网络的正、反向信息流动不顺畅，网络没有被充分训练，导致深层网络的效果还不如浅层网络。的结构并不复杂，而且网络结构很规整，同时卷积层的过滤器数量变化存在一定的规律，而它的主要缺点是需要训练的特征数量非常巨大。...
2021-10-24 18:30:18
4266
原创 卷积神经网络（DenseNet）识别Fashion-MNIST数据集（Pytorch版）
卷积神经网络（DenseNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 稠密块的创建3.2 过渡层的创建3.3 DenseNet网络的搭建4. 卷积神经网络训练与预测5. 运行程序1. 前言1.1 案例介绍本案例使用Pytorch搭建一个DenseNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数
2021-09-09 12:35:45
2560
8
原创 卷积神经网络（ResNet-18）识别Fashion-MNIST数据集（Pytorch版）
卷积神经网络（ResNet-18）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 残差块的创建3.2 ResNet模块的创建3.3 ResNet网络的创建4. 卷积神经网络训练与预测5. 运行程序1. 前言1.1 案例介绍本案例使用Pytorch搭建一个ResNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分
2021-09-04 15:13:24
6134
11
原创 卷积神经网络（GoogLeNet）识别Fashion-MNIST数据集（Pytorch版）
卷积神经网络（GoogLeNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 Inception模块的创建3.2 GoogLeNet网络的搭建4. 卷积神经网络训练与预测5. 运行程序1. 前言1.1 案例介绍本案例使用Pytorch搭建一个GoogLeNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为
2021-09-02 12:17:05
2346
原创 卷积神经网络（Network in Network）识别Fashion-MNIST数据集（Pytorch版）
卷积神经网络（Network in Network）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 NiN(Network in Network)模块的创建3.2 NiN网络的搭建4. 卷积神经网络训练与预测5. 运行程序1. 前言1.1 案例介绍本案例使用Pytorch搭建一个 NiN (Network in Network) 网络结构，用于
2021-08-31 23:35:32
585
原创 卷积神经网络（VGG-11）识别Fashion-MNIST数据集（Pytorch版）
深度卷积神经网络（VGG-11）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 VGG模块的创建3.2 VGG网络的搭建4. 卷积神经网络训练与预测5. 运行程序1. 前言1.1 案例介绍本案例使用Pytorch搭建一个稍微简化的VGG-11网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数据准备、模型建立以及
2021-08-30 10:56:48
3907
原创 卷积神经网络（AlexNet）识别Fashion-MNIST数据集（Pytorch版）
卷积神经网络（AlexNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建4. 卷积神经网络训练与预测5. 运行程序1. 前言1.1 案例介绍本案例使用Pytorch搭建一个稍微简化的AlexNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数据准备、模型建立以及使用训练集进行训练和使用测试集测试模型的效果。
2021-08-25 10:45:18
5447
18
原创 卷积神经网络（LeNet）识别Fashion-MNIST数据集（Pytorch版）
卷积神经网络（LeNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建4. 卷积神经网络训练与预测5. 运行程序1. 前言1.1 案例介绍本案例使用Pytorch搭建一个类似LeNet-5的网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数据准备、模型建立以及使用训练集进行训练和使用测试集测试模型的效果。1.2
2021-08-18 10:09:09
7047
5
原创 吴恩达卷积神经网络章节笔记（一）——卷积神经网络
吴恩达卷积神经网络——学习笔记（一）1. 边缘检测示例 (Edge Detection Example)1.1 卷积运算1.2 垂直边缘检测器的应用案例2. 更多边缘检测内容 (More Edge Detection Example)3. Padding4. 卷积步长 (Strided Convolutions)5. 三维卷积 (Convolutions Over Volumes)5.1 三维卷积的计算5.2 多个过滤器的三维卷积6. 单层卷积网络 (One Layer of a Convolutional
2021-08-12 14:21:47
581
原创 吴恩达改善深层神经网络章节笔记（三）——参数调试和Batch Normalize
吴恩达改善深层神经网络——学习笔记（三）视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.youkuaiyun.com/weixin_36815313/article/details/105728919
2021-08-11 14:40:28
422
原创 吴恩达改善深层神经网络章节笔记（二）——优化算法
吴恩达改善深层神经网络——学习笔记（二）1. Mini-batch梯度下降 (Mini-batch Gradient Descent)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.youkuaiyun.com/weixin_36815313/article/details/1057289191. Mini-batch梯度下降 (Mini-batch Gradient Descent)机器学习的应用是一个高度依赖经
2021-08-10 09:43:43
365
原创 吴恩达改善深层神经网络章节笔记（一）——正则化和梯度相关知识
吴恩达改善神经网络——学习笔记（一）1. 训练/开发/测试集 (Train/Dev/Test Sets)2. 偏差/方差 (Bias/Variance)3. 机器学习基础 (Basic “Recipe” for Machine Learning)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.youkuaiyun.com/weixin_36815313/article/details/1057289191. 训练/开
2021-08-09 09:58:05
409
原创 吴恩达神经网络与深度学习章节笔记（三）——深层神经网络
吴恩达神经网络与深度学习——学习笔记（三）1. 深层神经网络 (Deep L-layer Neural Network)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.youkuaiyun.com/weixin_36815313/article/details/1057289191. 深层神经网络 (Deep L-layer Neural Network)...
2021-06-22 15:48:44
264
转载 使用CANoe进行CAPL编程
使用CANoe进行CAPL编程1. CAPL概述1.1 CAPL语言特性1.2 CAPL的程序结构1.3 CAPL的数据类型1.4 CAPL事件类型概述2. CAPL事件类型2.1 系统事件2.2 CAN控制器事件2.3 CAN消息事件2.4 键盘事件2.5 时间事件2.6 错误帧事件2.7 环境变量事件2.8 系统变量事件1. CAPL概述CANoe提供了进行二次编程开发的工具——CAPL Browser。通过CAPL的编程，我们可以在节点上完成更为复杂的功能需求。操作如下：在CANoe工程的”Si
2021-06-21 09:53:29
9488
转载 使用CANoe进行Panel设计
使用CANoe进行Panel设计摘要1. Panel的新建及概述2. 控件介绍2.1 Analog Guage控件2.2 Button控件2.3 Check Box控件2.4 Clock Control控件2.5 Combo Box控件2.6 File Button控件2.7 Group Box控件2.8 Input/Output Box控件2.9 LCD Control控件2.10 LED Control控件2.11 Media Player控件2.12 Numeric Up/Down控件2.13 Pan
2021-06-20 22:26:52
19570
8
原创 使用Python读取不同格式的文件
使用Python读取不同格式的文件内容1. Access数据库2. csv文件3. txt文件4. mat文件5. json文件1. Access数据库import pypyodbcimport win32com.clientimport mathimport numpy as np from matplotlib import pyplot as pltpath = r'R:\STP Data\DataReport.accdb' #数据库文件路径#连接数据库con = win32co
2021-06-09 16:21:36
1010
2
原创 ROS | Gazebo仿真—阿克曼（Ackermann）四轮小车模型
Gazebo仿真——阿克曼（Ackermann）四轮小车模型1. 仿真描述2. Gazebo简介2.1 Gazebo的典型用途2.2 Gazebo的主要特点3. ros_control4. 配置物理仿真模型4.1 为link添加惯性参数和碰撞属性4.2 为link添加Gazebo标签4.2.1 颜色4.2.2 重力4.3 为joint添加传动装置4.4 为部分link添加阻尼系数和摩擦系数（可选）4.5 添加ros_control插件5. 配置ros_control控制器6. 在Gazebo中添加传感器插件
2021-06-04 18:52:10
20935
18
原创 ROS | ros_control和arbotix_ros简介
ros_control和arbotix_ros简介1.ros_controlController ManagerControllerHardware InterfaceTransmissionsJoint Limits2.arbotix_rosarbotix在ROS中的使用1.ros_controlros_control就是ROS为用户提供的应用与机器人之间的中间件，包含一系列控制器接口、传动装置接口、硬件接口、控制器工具箱等等，可以帮助机器人应用快速落地，提高开发效率。上图是ros_control
2021-06-02 19:04:54
1629
原创 使用CANoe进行LIN Slave Conformance Test
使用CANoe进行LIN Conformance TestStep 1. 加入测试模块Step 2. 配置测试模块Step 3.Step 4.Step 1. 加入测试模块在菜单栏中选择Test -> Test Modules -> Test Setup，如下图。在跳出如下界面后，右击选择New Test Environment，创建测试环境。右击Test Environment，选择Insert LIN Slave Conformance Tester，添加测试模块。Step 2
2021-06-01 09:06:26
9117
21
原创 ROS | xacro模型—阿克曼（Ackermann）四轮小车模型
ROS | xacro模型—阿克曼（Ackermann）四轮小车模型1. 模型描述2. xacro模型与URDF模型的区别2.1 URDF模型存在的问题2.2 xacro模型的特点3. xacro优化方法3.1 常量定义3.2 常量使用3.3 宏定义3.4 宏调用3.5 文件包含4. 创建xacro文件5. xacro模型显示5.1 将xacro文件转化成URDF文件5.2 直接调用xacro文件解析器5.3 启动RvizGithub链接：https://github.com/chanchanchan97
2021-05-27 21:29:31
4114
原创 ROS | URDF模型—阿克曼（Ackermann）四轮小车模型
URDF模型——阿克曼（Ackermann）四轮小车模型1.模型描述2.URDF文件3.link元素4.link属性详解5.joint元素6.joint属性详解7.Rviz可视化7.1创建launch文件7.2启动RvizGithub链接：https://github.com/chanchanchan97/ROS1.模型描述本项目的目的是创建一个基于阿克曼转向机构（Ackermann steering）的简易四轮小车模型，该模型采用后轮双驱，而前轮在设计时选择独立转向，之后通过算法对两个前轮单独控制，
2021-05-25 20:29:08
11360
2
原创 ROS | launch启动文件的使用
ROS | launch启动文件的使用1. launch文件功能2. launch文件语法2.1 <launch>标签2.2 <node>标签2.3 <param>标签2.4 <rosparam>标签2.5 <arg>标签2.6 <remap>标签2.7 <include>标签3. launch文件使用3.1 创建launch文件3.2 编译launch文件3.3 启动launch文件3.4 节点通信可视化1. launc
2021-05-23 14:39:28
3010
原创 ROS | TF坐标系变换的编程实现
ROS | TF坐标系变换的编程实现1. 创建功能包2. 节点编程2.1 案例说明2.2 TF坐标系广播器编程2.3 TF坐标系监听者编程3. 配置与编译3.1 在CMaKeLists.txt中添加编译选项3.2 编译文件4. 话题可视化1. 创建功能包在ROS工作空间ROS_ws的src文件夹目录下创建一个功能包，命名为tf_lidar_task，并编译完成。2. 节点编程2.1 案例说明广播并监听机器人的坐标变换，已知激光雷达和机器人底盘的坐标关系，求解激光雷达数据在底盘坐标系下的坐标值。
2021-05-23 09:57:21
1838
4
翻译 ROS | 动作服务器与客户端的内部交互（进阶）
ROS | 动作服务器与客户端的内部交互（进阶）1. 动作服务器1.1 服务器状态1.2 状态转换命令2. 动作客户端2.1 服务器触发转换2.2 客户端触发转换2.3 “跳过”状态3. 动作接口及传输层3.1 数据关联与Goal ID3.2 消息3.2.1 goal topic: Sending Goals3.2.2 cancel topic: Cancelling Goals3.2.3 status topic: Server goal state updates3.2.4 feedback topic
2021-05-22 18:28:02
985
原创 吴恩达神经网络与深度学习章节笔记（一）——逻辑回归
吴恩达神经网络与深度学习——学习笔记（一）1.二元分类(Binary Classification)逻辑回归是一个用于二元分类(binary classification)的算法。以一张图片作为输入，如果识别为猫，则输出标签1为结果。如果识别到不是猫，那么输出标签0作为结果。现在我们可以用字母y来表示输出的结果。一张图片在计算机中的表示方式类似于上图。一张图片由红、绿、蓝（RGB）三种颜色通道的矩阵构成，如果你的图片大小为64x64像素，那么你就有三个规模为64x64的矩阵，分别对应图片中红、绿、
2021-05-19 01:05:42
196
原创 ROS | 动作通信的编程实现
ROS | 动作通信的编程实现1. 创建功能包2. 节点编程与动作消息定义2.1 案例说明2.2 动作消息的定义2.3 创建.cpp文件2.4 动作客户端编程2.5 action服务器编程3. 配置与编译3.1 在CMaKeLists.txt中添加编译选项3.2 在package.xml中添加功能包依赖3.3 编译文件4. 话题可视化1. 创建功能包在ROS工作空间ROS_ws的src文件夹目录下创建一个功能包，命名为action_task。2. 节点编程与动作消息定义2.1 案例说明客户端发送
2021-05-19 00:52:40
1647
原创 ROS | 服务通信的编程实现
ROS | 服务通信的编程实现1. 创建功能包2. 节点编程与服务数据定义2.1 案例说明2.2 服务数据的定义2.3 创建.cpp文件2.4 客户端编程2.5 服务器编程3. 配置与编译3.1 在CMaKeLists.txt中添加编译选项3.2 在package.xml中添加功能包依赖3.3 编译文件1. 创建功能包在ROS工作空间ROS_ws的src文件夹目录下创建一个功能包，命名为communication_pkg，并编译完成。2. 节点编程与服务数据定义2.1 案例说明定义一个客户端Cl
2021-05-19 00:10:41
1563
原创 ROS | 话题通信的编程实现
ROS | 话题通信的编程实现1. 创建功能包2. 节点编程与消息定义2.1 案例说明2.2 话题消息的定义2.3 创建.cpp文件2.4 话题发布者编程2.5 话题订阅者编程3. 配置与编译3.1 在CMaKeLists.txt中添加编译选项3.2 在package.xml中添加功能包依赖3.3 编译文件4. 话题可视化5. rostopic指令的使用常用指令1常用指令2常用指令31. 创建功能包在ROS工作空间ROS_ws的src文件夹目录下创建一个功能包，命名为test_pkg，并编译完成。2
2021-05-17 23:04:20
1766
2
原创 使用CANoe搭建LIN通信网络
使用CANoe搭建LIN通信网络Step 1. 创建LIN工程Step 2. 配置LDF文件及LIN通信报文Stpe 2.1 配置报文及信号Step 2.2 配置调度表Step 2.3 配置时序Step 2.4 检查及保存配置Step 3. 添加和配置CAPL模块Step 4. 运行工程Q&AStep 1. 创建LIN工程将Vector的盒子连接到电脑，打开CANoe，菜单栏选择File -> New，在Available Templates中双击LIN，跳出如下界面。Step 2.
2021-05-17 14:54:03
20287
16
原创 ROS | 工作空间及功能包的创建
ROS | 工作空间及功能包的创建1. 创建工作空间2. 创建功能包1. 创建工作空间工作空间是一个存放工程开发相关文件的文件夹，创建工作空间首先在Linux系统中打开一个新的终端，并按照以下步骤输入指令。$ mkdir -p ~/ROS_ws/src$ cd ~/ROS_ws/src$ catkin_init_workspace$ cd ..$ catkin_make install说明：第一条指令表示在/home/用户名/下创建一个ROS工作空间，即文件夹ROS_ws。同时在工作空
2021-05-17 10:18:02
3565
3
原创 第十三届“恩智浦”杯全国大学生智能汽车竞赛-信标对抗组比赛总结
第十三届“恩智浦”杯全国大学生智能汽车竞赛-信标对抗组比赛总结一、比赛形式二、主控板电源电路1. DC-DC稳压电路1.1 电路原理图1.2 稳压芯片TPS565201热仿真1.2.1 仿真条件1.2.2 仿真结果1.3 稳压芯片TPS565201输出电流电压波形仿真1.3.1 仿真结果2. 线性稳压电路2.1 电路原理图2.2 线性稳压芯片LMS1585A输出电流电压波形仿真2.2.1 仿真条件2.2.2 仿真结果三、控制逻辑及策略1. 主程序框架2. 控制部分2.1 双电机后轮差速：阿克曼（Ackerm
2021-05-16 19:13:01
1831
原创 构建Simulink模型 | 油门与制动
构建Simulink模型 | 油门与制动一、Simulink模型简述二、构建模型Step 1. 创建新模型Step 2. 拖放模块以完成模型Step 3. 配置模块Step 4. 连接模块并为信号添加注释Step 5. 添加信号查看器Step 6. 运行仿真三、优化模型Step 7. 拖放新模块以完成模型Step 8. 配置新模块Step 9. 连接模块并为信号添加注释Step 10. 比较多个信号Step 11. 运行仿真参考链接：创建简单simulink模型一、Simulink模型简述该模型对简
2021-05-16 18:39:52
6002
5
原创 构建Simulink模型 | CAN通信
构建Simulink模型 | CAN通信一、Simulink模型简述二、构建模型的报文传输部分Step 1. 创建新模型Step 2. 打开模型库Step 3. 将Vehicle Network Toolbox模块拖到模型中Step 4. 拖放其他模块以完成模型Step 5. 连接模块Step 6. 指定模块参数值三、构建模型的报文接收部分Step 7. 将Vehicle Network Toolbox模块拖到模型中Step 8. 拖放其他模块以完成模型Step 9. 连接模块Step 10. 指定模块参数
2021-05-16 14:36:30
8334
17
原创 一阶RC低通滤波器的数学模型及算法实现
一阶RC低通滤波器的数学模型及算法实现1. 一阶RC低通滤波器的连续域数学模型1.1 数学模型的推导1.2 频率特性1.3 物理作用2. 一阶RC低通滤波器的算法推导2.1 离散化2.2 滤波系数3. 一阶RC低通滤波器的C语言实现4. 缺点及改善方法4.1 缺点4.2 改善方法——动态调整滤波系数4.2.1 实现功能4.2.2 调整前判断4.2.3 调整原则1. 一阶RC低通滤波器的连续域数学模型1.1 数学模型的推导上图是RC低通滤波器的电路模型，根据基尔霍夫定律可知即：根据电容的特性可
2021-05-16 13:52:13
23860
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人