<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[bbp94_github的博客]]></title><description><![CDATA[日常记录]]></description><link>https://blog.youkuaiyun.com/bpp94_github</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; bpp94_github]]></copyright><item><title><![CDATA[【java】让n个线程顺序打印英文字母]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/89155558</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/89155558</guid><author>bpp94_github</author><pubDate>Tue, 09 Apr 2019 20:15:31 +0800</pubDate><description><![CDATA[要求如下：通过N个线程顺序打印26个英文字母，如给定N=3则输出：
thread0: a
thread1: b
thread2: c
thread0: d
thread1: e
 ...
理解：个人理解，题目考察的是线程间的交互，如何让线程按顺序领取到各自的任务并按顺序打印结果。

解法一：轮询判断任务是否属于该线程，这种做法的优点是简单，但是不断轮询，在线程数多的情况下反而导致效率低



p...]]></description><category></category></item><item><title><![CDATA[【linux】指定程序运行的主显卡]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/88582044</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/88582044</guid><author>bpp94_github</author><pubDate>Fri, 15 Mar 2019 19:36:44 +0800</pubDate><description><![CDATA[基于pytorch训练卷积神经网络，在多gpu环境下并行训练，会有一个主显卡，相比于其他显卡，它还需统计其他显卡发送的梯度等参数进行下一步计算，因此需要更大的显存。默认情况下，会以0号显卡为主显卡。若0号显卡被其他程序占部分内存，为主显卡可能会因为内存不足oom，可以将指定其他显卡为主显卡，在程序运行命令前加：CUDA_VISIBLE_DEVICES=3,0,1,2 就会指定3号为主显卡，且在4块...]]></description><category></category></item><item><title><![CDATA[【Java】散列]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/84974910</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/84974910</guid><author>bpp94_github</author><pubDate>Thu, 13 Dec 2018 17:55:59 +0800</pubDate><description><![CDATA[若知道一个数组中元素的索引，可以使用索引在O（1）时间内获得元素。若将map中值存储在数组当中，并使map的键通过一个函数映射到值的索引上的话，就能利用键快速获取值。以上，存储了具有键值对的对象的数组称为散列表，映射函数称为散列函数。散列是一种无需执行搜索即可通过从键得到的索引来获取值的技术。java中，map是一种使用散列实现的数据结构。

典型的散列函数首先将搜索键转换为一个称为散列码的整数值...]]></description><category></category></item><item><title><![CDATA[【java】Collection集合框架的总结]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/84774479</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/84774479</guid><author>bpp94_github</author><pubDate>Sun, 09 Dec 2018 21:12:44 +0800</pubDate><description><![CDATA[近期在巩固关于java集合的知识，因此写下总结一篇。参考书籍为梁勇的《Java语言程序设计与数据结构进阶篇》和林信良《Java JDK9学习笔记》，若描述有误请多多指教。

1.Iterable接口

Collection接口继承自Iterable接口，Iterable中定义了iterator()方法，能够返回一个迭代器。除了iterator()，接口中还实现了两个默认方法：forEach(Con...]]></description><category></category></item><item><title><![CDATA[【python】imageio和cv2抽视频帧性能比较]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/84823536</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/84823536</guid><author>bpp94_github</author><pubDate>Wed, 05 Dec 2018 11:21:41 +0800</pubDate><description><![CDATA[最近需要用python对视频进行抽帧处理，网上给出的主要做法是两种，即调用imgeio或cv2的相关方法。但是却没看到有人对他们的性能进行对比，选择困难症的我决定写个demo测试一下。我的需求是抽取指定某帧，比如抽取第15帧，上诉两种方法都能实现，贴上代码如下：


import cv2
import time
import matplotlib.pyplot as plt
import imag...]]></description><category></category></item><item><title><![CDATA[【Linux】Dockerfile 创建centos下pytorch程序运行环境的镜像]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/83832255</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/83832255</guid><author>bpp94_github</author><pubDate>Sun, 11 Nov 2018 17:26:51 +0800</pubDate><description><![CDATA[目的：

基于pytorch框架实现了一个卷积神经网络，现想创建该程序的运行镜像。

程序运行所需要的环境：

Centos

CUDA 8.0 

cudnn 7

ffmpeg

Anaconda3.4

cv2

Pytorch0.4.1

流程：

0. 我的程序在test文件夹下，因此先进入test文件夹所在的路径

1. 编写Dockerfile

2. service docker ...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/83092562</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/83092562</guid><author>bpp94_github</author><pubDate>Tue, 16 Oct 2018 19:05:03 +0800</pubDate><description><![CDATA[代码地址：https://github.com/ZhaofanQiu/pseudo-3d-residual-networks

主要贡献：以经济且有效的方式构建了仿3D卷积神经网络模型：P3D ResNet

出发点：3D 卷积神经网络能够同时学习到视频的时间和空间特征，但是存在所需内存大和计算成本高的问题，导致难以构建更深层的3D CNN，因此提出了用二维空间卷积和一维时间卷积来模拟3D卷积的想...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】Two-Stream Convolutional Networksfor Action Recognition in Videos]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/82704192</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/82704192</guid><author>bpp94_github</author><pubDate>Wed, 26 Sep 2018 11:05:58 +0800</pubDate><description><![CDATA[主题：行为识别

摘要：

本篇文章提出了使用深度学习进行视频人物的行为识别，结合了静止画面和帧间的运动信息。所做的贡献主要有三：

1.提出了双流CNN来合并时间和空间网络；

2.证明l了在训练数据有限的情况下，经过多帧密集光流训练的CNN依然能够实现非常好的性能；

3.证明了应用于两个不同数据集的多任务训练可以增加数据量且提升网络在两个数据集上的分类性能。

 

 

光流特征表示方式：...]]></description><category></category></item><item><title><![CDATA[【python cv2】图像矩阵数值和大小都一样，显示出来的图片不同]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/82694710</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/82694710</guid><author>bpp94_github</author><pubDate>Thu, 13 Sep 2018 21:08:29 +0800</pubDate><description><![CDATA[问题：

用cv2读取视频帧，并且想对图片做一些修改，比如求两张图片叠加后平均的图像。于是发现，只要对读取出的帧做任意矩阵操作，比如与形状相同的0矩阵相加，按理说输出图像应该和原图像一致，但是相距甚远，输出矩阵和加0后的矩阵，矩阵数值完全相同。另外，按照元素的位置叠加矩阵元素，会自动对255取余。

相关代码：


   path = filename + &quot;.mp4&quot;
    video_cap...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】Visual Sentiment Prediction Based on AutomaticDiscovery of Affective Regions]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/82590228</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/82590228</guid><author>bpp94_github</author><pubDate>Mon, 10 Sep 2018 15:21:36 +0800</pubDate><description><![CDATA[主题：视觉情感分析

贡献：

a）提出了一个深度框架，用于自动发现图像的情感区域，这些区域很可能会引发重要的情绪信息。该框架不依赖于图像中的对象类别，也不需要对边界框注释，比现有方法更加通用。

b）使用CNN构建视觉情感预测模型，该模型利用来自全局图像和局部图像区域的整体和局部信息。实验证明，最终得到的表达特征有助于视觉情感分类，在情感数据集的表现优于前人的方法。

c）实验结果表明，本文提出...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】Learning Spatiotemporal Features with 3D Convolutional Networks]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/82462812</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/82462812</guid><author>bpp94_github</author><pubDate>Thu, 06 Sep 2018 16:00:58 +0800</pubDate><description><![CDATA[论文主要贡献：

1.验证了3D卷积神经网络能够同时捕捉外观和运动信息，是优秀的特征提取器。

2.在特定的构架内，3X3X3的卷积核在所有层中都表现出最好的效果。

3.3D卷积神经网络提取出的特征结合线性模型分类器所得到的结果在6个数据集（4个识别任务）中都有突出的性能。



好的视频特征描述应该包含如下特征：

a）具有通用性，对任意类型的视频都能够有好的描述效果。

b）特征足够紧凑，紧...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】Large-scale Video Classification with Convolutional Neural Networks]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/82425856</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/82425856</guid><author>bpp94_github</author><pubDate>Wed, 05 Sep 2018 16:21:59 +0800</pubDate><description><![CDATA[
	论文贡献：
	
1.采用多种方法扩展CNN到视频识别，并用Sports-1M数据集进行验证和测试。

2.提出了将输入处理为低分辨率流和高分辨率流的方法，在不影响精确度的前提下显著减少了CNN的训练时间。

3.验证模型能够扩展到UCF101数据集上，且显著提升了精确率。


	时间信息融合模型：
	
a）单帧模型（Single-frame）：用于得到静态图像对视频分类的贡献。CNN结构：C(...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】Beyond Short Snippets: Deep Networks for Video Classification]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/82347362</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/82347362</guid><author>bpp94_github</author><pubDate>Mon, 03 Sep 2018 13:26:12 +0800</pubDate><description><![CDATA[
	主要目的：
	
视频分类


	测试数据集：
	
Sports-1M、UCF-101


	方法概况：
	
使用在imageNet上预训练过的CNN（AlexNet或者GoogleLeNet）提取帧级特征，再将帧级特征和提取到的光流特征输入到池化框架或者LSTM进行训练，得到分类结果。


	主要贡献：
	
1.提出采用CNN来得到视频级的全局描述，并且证明增大帧数能够显著提高分类性能。

2...]]></description><category></category></item><item><title><![CDATA["`Tensor` objects are not iterable when eager execution is not "]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/82286295</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/82286295</guid><author>bpp94_github</author><pubDate>Sat, 01 Sep 2018 13:10:37 +0800</pubDate><description><![CDATA[用tensorflow搭建卷积神经网络，使用yield来返回数据batch，然后输入到卷积神经网络训练，相关代码如下：



def generate_batch(batch_train_list, max_frame, size_x, size_y, batch_label):
    batch_rgb = get_rgb_batch(batch_train_list, max_frame, ...]]></description><category></category></item><item><title><![CDATA[【持续记录】我的linux常用命令记录]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/81585974</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/81585974</guid><author>bpp94_github</author><pubDate>Tue, 14 Aug 2018 22:08:15 +0800</pubDate><description><![CDATA[查看当前操作系统发行信息
	
cat /etc/issue 或 cat /etc/centos-release


	查看主板序列号
	
dmidecode |grep 'Serial Number'


	Linux关闭图形界面
	
在文件最后一行加上：  id:3:initdefault


	查看当前目录下所有文件夹大小
	
du -h --max-depth=1


	显示当前目录...]]></description><category></category></item><item><title><![CDATA[【Tensorflow】ValueError: The `kernel_size` argument must be a tuple of 1 integers. Received: [3, 3]]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/81510279</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/81510279</guid><author>bpp94_github</author><pubDate>Wed, 08 Aug 2018 16:24:17 +0800</pubDate><description><![CDATA[使用 tensorflow.contrib.slim 搭建卷积神经网络进行图片识别，图片inputs维度为[299,299,3]，使用语句如下：


net = slim.conv2d(inputs, 32, [3, 3], stride=2, scope='Conv2d_la_3x3')
net = slim.conv2d(net, 32, [3, 3], scope='Conv2d_2a_3x...]]></description><category></category></item><item><title><![CDATA[YouTube-8M数据集starter code部分翻译]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/80645868</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/80645868</guid><author>bpp94_github</author><pubDate>Sun, 10 Jun 2018 22:49:56 +0800</pubDate><description><![CDATA[【原创内容，转载需作者同意】

以下内容为Youtube-8M开源示范代码的README翻译，原文来自：https://github.com/google/youtube-8m

翻译本意是为了让自己更了解这个数据集，若有翻译错误，请指教。

 

YouTube-8M Tensorflow Starter Code

该repo包含基于YouTube-8m数据集的训练和评估机器学习模型的起始代码...]]></description><category></category></item><item><title><![CDATA[环境配置相关]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/80637019</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/80637019</guid><author>bpp94_github</author><pubDate>Sat, 09 Jun 2018 22:32:36 +0800</pubDate><description><![CDATA[【anaconda pip无法识别】

win10安装了Anaconda之后，未设置环境变量，想用pip命令导入第三方库，在anaconda文件夹下打开命令窗口，输入pip install tensorflow 报错如下：

pip : 无法将“pip”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写，如果包括路径，请确保路径正确，然后再试一次。

解决方案：在环境变量中...]]></description><category></category></item><item><title><![CDATA[【Java】Wilf tree 寻找所有在给定整数范围内的有理数]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/80254663</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/80254663</guid><author>bpp94_github</author><pubDate>Wed, 09 May 2018 16:13:41 +0800</pubDate><description><![CDATA[Wilf tree的结构类似二叉树，每个节点的数字能从其父节点推导而得，是用于求得所有在给定整数范围内的有理数的一种方法。其结构如下图所示，根节点为1，根节点即为该树的第一层，若给定整数为N，则1-N层所有节点即为N内的所有有理数。父节点与子节点的关系：设父节点的分子为i，分母为j，则左子节点为（i/(i+j)），右节点为（i+(i+j)/j），若还不能理解请参考维基百科：点击打开链接，有动画进行...]]></description><category></category></item><item><title><![CDATA[Java+Spring+Mybatis+Sqlite3 简易图数据库]]></title><link>https://blog.youkuaiyun.com/bpp94_github/article/details/79960293</link><guid>https://blog.youkuaiyun.com/bpp94_github/article/details/79960293</guid><author>bpp94_github</author><pubDate>Mon, 16 Apr 2018 16:46:34 +0800</pubDate><description><![CDATA[【原创内容，转载需作者同意】Java+Spring+Mybatis+Sqlite3 简易图数据库，使用了注解的方式。这个程序主要是为了了解图数据库，同时学习Spring，Mybatis的简单使用，因此还存在很多不足或者错误。该图数据库实现流量基本的增删改查，以及联表查询某个节点的N阶关系，是本人作为了解图数据库所做的练习，所操作数据表内容为公司职员信息，共两张数据表，一张为vertex（ID，NA...]]></description><category></category></item></channel></rss>