caiweibin2246的博客

现在的深度学习框架都是基于Python来写的，也就是底层框架使用Python的深度学习，上层用QT来做一个可视化界面来显示处理的结果。我首先用卷积神经网络来处理烟雾检测的图片，得到一个好的训练结果，再将收集的视频来一帧一帧处理达到视频处理的结果，然后用cv2来直接调用相机，直接将处理的结果显示在界面上。在QT中，我主要是用海康威视的相机来二次开发实时显示图像，再调用Python来将相机的预览结果处理后实时显示。具体的环境配置以及相机的激活不在赘述，网上很多，直接上QT调用Python的代码：void

详细理解

这是一个速查表详情查看：https://blog.youkuaiyun.com/tcx1992/article/details/80105645

类（class）：类是面向你对象的，class可以保存一此属性的状态，同时也起到模板的作用，把一些通用的东西写进类定义中，也就是在’init’中。class有点像是将多个函数进行功能性封装。**函数：**函数更像是面向过程编程，更易理解，但是当系统较大时，重复性就会增多。类相当于系统，函数相当于零部件。把相同的东西放在一个类中，例如动物，猫、够的叫声放到一个类中，在类中再分别定义猫和够的叫声的函数。...

背景差分法（一）BackgroundSubtractorMOG这是一个以混合高斯模型为基础的前景/背景分割算法。2001年，P. KadewTraKuPong 和 R. Bowden在论文"An improved adaptive background mixture model for real-time tracking with shadow detection" 中进行了介绍。它使用 K（K=3 或 5）个高斯分布混合对背景像素进行建模。混合的权重表示这些颜色停留在场景中的时间比例，背景颜色是那

（一）a.append(b) 把b看做一个整体，整个打包放入aappend 翻译：追加a=[1,2]b=[3,4]a.append(b)# out[1,2,[3,4]]a.extend(b) 看做a b两个序列合并extend 翻译：扩展；延伸a=[1,2]b=[3,4]a.append(b)# out[1,2,3,4]（二）list.append(object) 向列表中添加一个对象objectmusic_media = ['compact disc', '8-tra

图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。 一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarizati...

os.walk(top, topdown = True, onerror = None, followlinks = False)文件结构结果分析1，先从根目录进行遍历，读取跟目录的文件夹和文件。2，以根目录第一个子目录为新的根目录，读取其文件夹和文件。3，再以2中的第一个子文件夹为根目录，读取文件夹和文件。（这个应该是属于树结构里面的自上而下深度遍历算法）4，读取1步骤里面其他子目录的文件夹和文件。...

https://www.datalearner.com/blog/1051558603213207

https://blog.youkuaiyun.com/weixin_43213117/article/details/105019171?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159746340419724848351979%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=15974634041972484835197

使用国内镜像pip install pandas -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

https://blog.youkuaiyun.com/Hansry/article/details/84071316

详见：https://www.cnblogs.com/wmlj/p/9917827.html

https://www.cnblogs.com/czz0508/p/10699102.html

. 表示当前目录… 表示当前目录的上一级目录。./表示当前目录下的某个文件或文件夹，视后面跟着的名字而定…/表示当前目录上一级目录的文件或文件夹，视后面跟着的名字而定。例如：文件夹 A下面有 文件夹B C 和文件 d。文件夹B下面有e.py 和文件f。则e中的 . 表示 文件夹B./f 表示B下面的文件f。… 表示A文件夹。…/d 表示A文件夹下的d文件。…/C 表示A文件夹下的C文件夹。...

import cv2from skimage import iocamera = cv2.VideoCapture(‘D:/Desktop/fire.mp4’) # 读取视频文件的路径判断视频是否打开if (camera.isOpened()):print(‘Open’)else:print(‘摄像头未打开’)测试用,查看视频sizesize = (int(camera.get(cv2.CAP_PROP_FRAME_WIDTH)),int(camera.get(cv2.CAP_PROP

绝对是全网最简单的教程1、下载并安装anaconda3.5.22、打开anaconda prompt依次输入以下内容（注意大小写）：pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple/（后面这行是国内的清华镜像源，下载速度才会比较快）pip install pyqt5-tools -i https://pypi.tuna.tsinghua.edu.cn/simple/pip install lxml -i https://py

1.下载并安装anaconda3.5.2（网上教程很多）2.打开anaconda prompt依次输入以下内容：conda create --name=labelme python=3.6（这一步python= ** 选择自己的python版本，因为以上安装的anaconda3.5.2自带python3.6.5，所以我用的是python=3.6）conda activate labelmeconda install pyqt（或者pip install pyQt5。如果很慢用镜像源pip ins

一、保存方式对于torch.save()有两种保存方式：只保存神经网络的训练模型的参数，save的对象是model.state_dict()；既保存整个神经网络的的模型结构又保存模型参数，那么save的对象就是整个模型；import torch保存模型步骤torch.save(model, ‘net.pth’) # 保存整个神经网络的模型结构以及参数torch.save(model, ‘net.pkl’) # 保存整个神经网络的模型结构以及参数torch.save(model.state

**python + opencv实现提取.png和.jpg图像的像素信息并存储到txt文件中代码**import cv2import numpyimport matplotlib.pyplot as pltimg = cv2.imread(“D:/Desktop/show_example1/train/0/1.jpg” , cv2.IMREAD_GRAYSCALE)print(“图像的形状,返回一个图像的(行数,列数,通道数):”, img.shape)print(“图像的像素数目:”,

当使用PyCharm运行代码时出现了TabError: inconsistent use of tabs and spaces in indentation时，说明代码中混杂了空格与Tab，不想一步一步删除（在代码量大时极为繁琐），可以尝试如下的简便方法：选择左上角菜单栏中的Code—>Reformat Code...

假设是在 PyTorch 虚拟环境下，需要添加某个包。以下只是方法之一，可供参考。1.首先打开Anaconda Prompt面板；2.输入activate XXX，其中XXX是你自定义的的虚拟环境名，执行完成后可以看到命令提示符的最前面的（base）环境变成了(XXX);3.然后 cd 切换到虚拟环境下的路径（eg: D:\anaconda3\envs\pytorch），接着输入pip install xxxx，xxxx是需要下载的package name，下载安装完成后会提示Successfully

反向传播目标：快速理解反向传播并推导分析：2层神经网络如图1所示，包含一个隐层和输出层，手推反向传播，取一个神经元的传播过程进行推导。动手之前：假定某个样本在网络中的一个传播过程如图2所示，隐层激活函数使用sigmoid，输出层不使用非线性激活函数，优化目标是均方误差mse，即损失为：...

什么是优化算法？优化算法的功能，是通过改善训练方式，来最小化(或最大化)损失函数E(x)。损失函数E(x)：模型内部有些参数，是用来计算测试集中目标值Y的真实值和预测值的偏差程度的，基于这些参数，就形成了损失函数E(x)。比如说，权重(W)和偏差(b)就是这样的内部参数，一般用于计算输出值，在训练神经网络模型时起到主要作用。在有效地训练模型并产生准确结果时，模型的内部参数起到了非常重要的作用。这也是为什么我们应该用各种优化策略和算法，来更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优

手写数字的识别import torchfrom torch import nn, optimimport torch.nn.functional as Ffrom torch.autograd import Variablefrom torch.utils.data import DataLoaderfrom torchvision import transformsfrom torchvision import datasetsimport time定义超参数batch_size =