confusingbird的博客

pytorch的bert预训练模型下载

confusingbird — Tue, 25 May 2021 17:06:03 +0800

PRETRAINED_VOCAB_ARCHIVE_MAP = { 'bert-base-uncased': "https://s3.amazonaws.com/models.huggingface.co/bert/bert-base-uncased-vocab.txt", 'bert-large-uncased': "https://s3.amazonaws.com/models.huggingface.co/bert/bert-large-uncased-vocab.txt", .

*args和**kwargs的区别

confusingbird — Tue, 12 Jan 2021 11:27:21 +0800

*args和**kwargs的区别1. *args直接传入参数值，将传参整理成Tuple2. **kwargs必须将变量名和值一起传递，将传参整理成dict 1. *args直接传入参数值，将传参整理成Tuple 1）例子1 def function(*args): print(args, type(args)) function(1, 2) 输出： (1, 2) 2）例子2 def function(x, *args): print(ar

OCR工作的总结

confusingbird — Wed, 16 Dec 2020 16:15:18 +0800

OCR工作总结一、简介 OCR 是实时高效的定位与识别图片中的所有文字信息，返回文字框位置与文字内容。支持多场景、任意版面下整图文字的识别，以及中英文、字母、数字的识别。通俗的来说，就是将图片上的文字内容，智能识别成为可编辑的文本。二、原理 OCR本质是图像识别。其原理也和其他的图像识别问题基本一样。包含两大关键技术：文本检测和文字识别。先将图像中的特征的提取并检测目标区域，之后对目标区域的的字符进行分割和分类。以深度学习兴起的时间为分割点，直至近五年之前，业界最为广泛使用的仍然是传统的

单目RGB人脸识别

confusingbird — Wed, 16 Dec 2020 15:33:33 +0800

单目RGB人脸识别一、简介人脸识别在业内已经算是比较成熟的了，但是单目rgb活体，除了配合式的方法，其实是一个比较难的问题，这篇文章尽量总结开源的人脸检测、人脸识别、单目rgb活体的多种算法，与君共勉。二、人脸检测算法如下是目前比较常用的人脸检测算法的对比分析：算法发表时间精度(mAP) 预测输出特点论文地址 MTCNN 2016年 94.4%(fddb), 85.1%(wider_face,test,easy) 人脸框+五个关键点三层级联方式预测 https:/

单目3D目标检测调研

confusingbird — Fri, 13 Nov 2020 16:37:22 +0800

单目3D目标检测调研一、简介现有的单目3D目标检测方案主要方案主要分为两类，分别为基于图片的方法和基于伪雷达点云的方法。基于图片的方法一般通过2D-3D之间的几何约束来学习，包括目标形状信息，地面信息，以及关键点等等，通过这些信息在损失函数中约束3D检测学习得更好。基于伪雷达点云的方法首先从2D图片中估计出单目深度信息来，然后利用单目深度将2D图片投射到3D空间，从而模拟雷达点云信号，之后可以利用基于点云的3D目标检测算法。二、单目3D目标检测算法解析 2.1 基于图片的方法：D4

git tree生成文件属性结构

confusingbird — Wed, 28 Oct 2020 14:48:38 +0800

git tree生成文件树形结构感谢大佬https://www.cnblogs.com/mmzuo-798/p/10954515.html

pytorch预测之多次预测结果不一致问题

confusingbird — Fri, 25 Sep 2020 16:47:07 +0800

为什么多次预测结果不一致检查是否在每次预测前使用 model.eval() 或者是 with torch.no_grad(): for ... 检查是否取消了所有的dropout 设置随机种子 def setup_seed(seed): np.random.seed(seed) random.seed(seed) torch.manual_seed(seed) #cpu torch.cuda.manual_seed_all(seed) #并行gp

Gitlab之合并分支

confusingbird — Thu, 27 Aug 2020 16:21:00 +0800

一、发起合并申请(release/v1.5.0->master) 。。。二、无冲突->成功；有冲突->如下解决（只能代码合并了）首先下载master源码 git clone http://... cd project_dir # 进入路径 git fetch origin # 将master远程最新代码更新到本地 git checkout -b 'release/v1.5.0' 'origin/release/v1.5.0' #

ab压测，curl测试

confusingbird — Tue, 04 Aug 2020 18:35:49 +0800

ab压测(apache Benchmark) ab -n 10 -c 1 -p "/data/faceid/bankbill/e26926c0-8d83-4e13-9182-5d849b102a39.jpg" -T application/x-www-form-urlencoded “http://billocr.fcbox.com/predict/1” curl 测试 curl -d "img_path=/data/faceid/bankbill/e26926c0-8d83-4e13-9182-5d84

gitlab 新建分支，并且指定分支上传代码

confusingbird — Mon, 13 Jul 2020 15:29:26 +0800

gitlab 新建分支，并且指定分支上传代码 git clone http:xxxxxxxxxxxx git branch new_master git checkout new_master git add . git commit -m "new-graphql" git push origin new_master git push

windows修改的txt在vim里面出现「feff」

confusingbird — Fri, 10 Jul 2020 13:51:37 +0800

在windows里面修改txt文件（保存图片路径），上传到nfs上面，跑代码，提示图片不存在使用下面这句代码在shell里面去掉"< feff >" sed -i 's/\xEF\xBB\xBF//g' filename

Geom-GCN（几何图形卷积网络）论文分享

confusingbird — Fri, 03 Jul 2020 14:00:58 +0800

Geom-GCN（几何图形卷积网络）论文分享一、背景 MPNNs（消息传递网络）已成功地应用于各种实际的图的表示学习中。然而，MPNNs聚合器的两个基本弱点限制了它们表示图结构数据的能力:丢失邻域节点的结构信息，缺乏捕获异配图中的远程依赖关系的能力。其中MPNNs是从现有模型（GCN、Gated-GNN等等）抽象出来的一个框架，通过每个节点向其邻居节点发送其特征表示，一条消息;然后通过聚合来自邻域的所有消息更新其特征表示。回到主题，现有模型的缺陷一：目前大部分图神经网络普遍丢失领域节点的

Netron可视化PyTroch模型

confusingbird — Fri, 03 Jul 2020 11:56:07 +0800

Netron可视化PyTroch模型一、简介 Netron是微软lutzroeder开源的一款软件，是一种神经网络，深度学习和机器学习模型的可视化工具。目前实验性支持pytorch。二、可视化步骤 2.1 将PyTorch模型转为ONNX模型 import torch from FeatherNet import FeatherNetB model = FeatherNetB() d = torch.rand(1, 3, 224, 224) o = model(d) onnx_path = "./o

Netron研究

confusingbird — Fri, 03 Jul 2020 11:55:16 +0800

Netron研究一、简介 Netron是微软lutzroeder开源的一款软件，是一种神经网络，深度学习和机器学习模型的可视化工具。 Netron支持部分主流深度学习框架的模型，如下所示： ONNX (.onnx, .pb, .pbtxt) Keras (.h5, .keras) Core ML (.mlmodel) Caffe (.caffemodel, .prototxt) Caffe2 (predict_net.pb) Darknet (.cfg) MXNet (.model, -symb

NLP民工的乐园: 几乎最全的中文NLP资源库

confusingbird — Fri, 27 Mar 2020 15:44:54 +0800

NLP民工的乐园: 几乎最全的中文NLP资源库https://github.com/fighting41love/funNLP

Pytorch计算模型参数总量和模型计算量

confusingbird — Thu, 09 Jan 2020 19:15:05 +0800

计算这两个值之前要进行模型加载，模型加载的方法见https://blog.youkuaiyun.com/confusingbird/article/details/103913915，加载完模型后得到模型model 方法1：pytorch自带方法，计算模型参数总量 total = sum([param.nelement() for param in model.parameters()]) p...

Pytorch加载模型

confusingbird — Thu, 09 Jan 2020 18:51:57 +0800

一、假设我们只保存了模型的参数(model.state_dict())到文件名为modelparameters.pth, model = Net() 1. cpu -> cpu或者gpu -> gpu: checkpoint = torch.load('modelparameters.pth') model.load_state_dict(checkpoint) 2. cpu...

基于注意力的人脸抗欺骗RGB图像，使用最小的2端神经网络

confusingbird — Thu, 02 Jan 2020 11:50:54 +0800

Attention-Based Face AntiSpoofing of RGB Images, using a Minimal End-2-End Neural Network 摘要人脸抗欺骗攻击的目标是识别真假人脸，在安全敏感应用、活性检测、指纹识别等方面得到了高度重视。在本文中，我们提出了两个端到端的卷积神经网络来解决反欺骗干扰问题。在此基础上建立了一种模型，并对该模型进行了最后的修正...

FeatherNets:卷积神经网络轻如羽毛，用于面部反欺骗

confusingbird — Tue, 31 Dec 2019 15:39:01 +0800

FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing 摘要面对反欺骗干扰的研究成果越来越受到学术界和工业界的重视。随着各种基于CNN的解决方案的出现，基于CNN的多模态(RGB、depth和IR)方法表现出比单一模态分类器更好的性能。但是，需要改进性能并降低复杂性。为此，提出...

一种个性化的情感记忆模型

confusingbird — Wed, 11 Dec 2019 19:36:58 +0800

A Personalized Affective Memory Model for Improving Emotion Recognition icml2019论文链接：https://arxiv.org/pdf/1904.12632.pdf 摘要：最近的情绪识别模型强烈地依赖于监督深度学习解决方案来区分一般的情绪表达。然而，当他们在线识别和个性化的面部表情时，例如，对于个人特定的情感理解...