To be a better man

所有损害优化的方法都是正则化。增加优化约束，干扰优化过程。干扰优化包括 随机梯度下降 权重衰减 提前停止。优化约束包括 L1/L2约束，数据增强。的维度是N+1，是第n组输入的样本。为第n个样本，N+1是样本的维度。

学习准则有用损失函数来评价模型的好坏，还有经验风险最小化准则，大概意思就是在平均损失函数中获得最小的损失函数，但是因为样本可能很小，不全面，会造成过拟合问题，因此引入结构风险最小化准则，也就是参数的正则化来限制模型能力，防止模型过拟合。但测试数据集（test dataset）不同，虽然同是模型训练过程中留出的样本集，但它是用于评估最终模型的性能，帮助对比多个最终模型并做出选择。验证数据集（validation dataset）是模型训练过程中留出的样本集，它可以用于调整模型的超参数和评估模型的能力。

import os, random, shutilfrom pathlib import Pathdef moveFile(imagesTrainDir, imageValDir,labelTrainDir,labelValDir): image_train_pathDir = os.listdir(imagesTrainDir) # 训练集图片的路径 image_val_pathDir = os.listdir(imageValDir) # 验证集图片的路径 label_

import os, random, shutildef moveFile(fileDir, tarDir,labelTrainDir,labelValDir): pathDir = os.listdir(fileDir) # 原始图片的路径 file_list = os.listdir(labelTrainDir) # 原始标签的路径 filenumber = len(pathDir) rate = 0.2 # 选取图片的比例，这里我的训练集和验证集数据量比例为4:

遇到问题[ 13%] Built target nvonnxparser_plugin[ 17%] Built target gen_onnx_proto[ 39%] Built target onnx_proto[ 41%] Linking CXX shared library libnvonnxparser.so/usr/bin/ld: cannot find -lcudadevrt/usr/bin/ld: cannot find -lcudart_static解决方法ln -s /u

遇到错误如下：error: no matching function for call to ‘torch::jit::RegisterOperators::RegisterOperators(const char [28], )’it::RegisterOperators(“spconv::get_indice_pairs_2d”, &spconv::getIndicePair<2>)修改如下用 torch::RegisterOperators()替代 torch::jit

项目场景：解决pip超时的问题解决方案：https://www.jianshu.com/p/8e042b7e91b6项目场景：No module named ‘det3d’解决方案：

cmake -DTorch_DIR=/home/philtell/anaconda3/envs/center3d/lib/python3.6/site-packages/torch/share/cmake/Torch …

最近几天要跑一个关于3D目标检测的网络，用到如下命令docker pull djiajun1206/pcdet-pytorch1.5项目场景：docker启动之后，ping一下公网IP，出现如下提示问题描述：bash: ping: command not found 原因分析：没有安装ping组件解决方案：在docker中输入如下两条命令apt-get updateapt-get install iputils-ping...

该脚本能够一键启动roscore,并自己打开rosbag 播放，并打开自己的ros程序#! /bin/bash source /opt/ros/kinetic/setup.bash roscoregnome-terminal --window -e 'bash -c ". /home/${USER}/*aconda3*/etc/profile.d/conda.sh;conda activate torch14;source /opt/ros/kinetic/setup.bash;source

我们提供了一种与定位和建图相关的现有的深度学习方法的新分类法，来连接机器人技术，计算机视觉和机器学习领域。大致可以分为按里程计估算，建图，全局定位和SLAM为类别进行分类，如图2展示的分类方法所示。里程计估计涉及到两帧或者更多帧传感器数据以平移和旋转的方式来计算相关位姿的变化。他不断的跟踪自我运动，通过对相对于初始状态的这些位姿的变化进行积分的程序，根据位置和方向获得全局的位姿。这就是众所周知的所谓的航迹推算法。里程计估计可用来提供位姿信息，并辅助机器人控制的反馈回路。关键在于不同传感器测量中准确的估计运

1.深层网络的层次达到一定深度后会产生什么问题？Resnet是如何解决这个问题的？**问题：**网络层数加深后，网络优化难度加大，性能变差，出现网络模型退化问题。解决方案：通过浅层次网络模型获得特征直接copy到更深的网络。通过shot cut路径，直接把输入传到输出端，强行作为单位映射部分作为学习中的另一部分。2.Faster RCNN在RCNN，Fast RCNN的基础上进行了哪些改进？...

预测值，模型的输出，模型训练以后得到的输出值。观测值，就是模型的输入，如果是图像的话，就是模型摄像头通过图像传感器的输入。真实值就是物理世界的值，是肉眼看到的，没有任何误差的。...

1. 相比Lenet-5, Alexnet进行了哪些改进？这些改进起到了什么作用？（1） ReLU代替Sigmoid,深度网络梯度离散；（2） Dropout随机激活，避免过拟合；（3） 两个CPU并行计算，提高计算效率2. VGG中为什么采用更小的卷积核？VGG网络参数数量很多,在深层次中用小卷积核捕捉细节的变化，同时降低了计算量3. 画出Inception模块的结构图，Google...

1.卷积层中的共享参数是什么？如果一组权重（卷积核）在图像中的某个区域提取有效的表示，也能在图像另外区域中提取有效表示，在相同激活映射上的不同位置的盛京医院共享相同的权重2.池化层的作用是什么？降低图片的空间尺寸。池化层根据神经元空间上局部统计信息进行采样，在保留有用信息同时减少神经元空间大小，是参数量减少并降低过拟合的可能。3.为什么ReLU经常用于神经网络的激活函数？对正数原样输出，...

1.画图说明特征向量的几何意义是什么？2.非线性变换解决了神经网络中线性可分性的什么问题？3.简述通过主成分分析实现降维的流程。PCA降维步骤：1.对所有样本进行中心化处理2.计算协方差矩阵3.求协方差的特征值和特征向量4.将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成转换矩阵5.通过低阶转换矩阵，把原矩阵转换成低维矩阵。4.最大...

1. 人工神经元如何模拟生物神经元中的轴突，突轴和树突的？输出层代表轴突，权重代表突轴，输入层代表树突。2. 传统神经网络采用什么训练方法，存在哪些问题？采用BP算法。BP算法存在的问题：（1）梯度越来越稀疏：从顶层越往下，误差校正信号越来越小；（2）收敛到局部最小值：尤其是从远离最优区域开始的时候（随机值初始化会导致这种情况的发生）；（3）一般，我们只能用有标签的数据来训练：但大...

雷锋网(公众号：雷锋网)按：本文由Zouxy责编，全面介绍了深度学习的发展历史及其在各个领域的应用，并解释了深度学习的基本思想，深度与浅度学习的区别和深度学习与神经网络之间的关系。深度学习，即Deep Learning,是一种学习算法（Learning algorithm）,亦是人工智能领域的一个重要分支。从快速发展到实际应用，短短几年时间里，深度学习颠覆了语音识别、图像分类、文本理解等众多领域...

1. 人脑的视觉机理1.1 理解人脑的分层世界机理人脑视觉机理：1981年的诺贝尔医学/生理学奖，发现可视皮层是分级的人的视觉系统的信息处理是分级的。 从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。高层的特征是低层特征的组合， 从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利...

好的特征具有什么样的性质？机器学习提取特征时存在哪些局限性？深度学习借鉴了人脑视觉机理的哪些特点？特征越多越好吗？特征多带来哪些影响？无监督学习和有监督学习的区别是什么？为什么需要深层神经网络？2006年多伦Hinton教授在《科学》上发表的开启深度学习浪潮的论文的主要观点是什么？...