csdn_xmj的博客

如题，vim 简易上手笔记。

本文收集和整理了一些目标跟踪相关的开源数据集，均附有下载链接，希望能给大家的学习带来帮助。

本文汇总了一些打架识别/检测相关的开源数据集资源，均附有下载链接。

AI：Artificial Intelligence (人工智能)：于1956年在Dartmouth学会上提出，是一种技术，通过类似人类反应的方式对刺激做出反应并从中学习。其理解和判断水平通常仅在人类的专业技能中找到。AI因其具备自主学习和认知能力，能够进行自我调整和改进，从而应对更加复杂的任务。

【写在前面】为进一步提高自己的python代码能力，打算把几本经典书籍重新过一遍，形成系统的知识体系，同时适当记录一些学习笔记，我尽量及时更新！先从经典的《Python编程：从入门到实战》书籍开始吧。有问题欢迎在评论区讨论，互相学习，good good study，day day up！上一章介绍了文件和异常【分为上和下两篇】，这章介绍如何编写测试代码。

学习处理异常可帮助你应对文件不存在的情形，以及处理其他可能导致程序崩溃的问题。这让你的程序在面对错误的数据时更健壮。本章的学习可提高程序的适用性、可用性和稳定性。

先从经典的《Python编程：从入门到实战》书籍开始吧。上一章介绍了类，这章介绍文件和异常。这是第二版的《Python编程：从入门到实战》，书本的Python版本是3.7.2，我自己运行代码的环境是3.7.0，不同Python版本的功能不同。

面向对象编程是最有效的软件编写方法之一。在面向对象编程中，你编写表示现实世界中的事物和情景的类，并基于这些类来创建对象。根据类来创建对象被称为实例化。在本章，将编写一些类并创建其实例，指定可在实例中存储什么信息，执行哪些操作；学习类的继承。

函数是带名字的代码块。我们将学习向函数传递信息的方式以及如何编写显示信息的函数、还有用于处理数据并返回值的函数，以及将函数存储在被称为模块的独立文件中，让主程序文件的组织更为有序。

for循环用于针对集合中的每个元素都一个代码块，而while循环不断地运行，直到指定的条件不满足为止。

【写在前面】为进一步提高自己的python代码能力，打算把几本经典书籍重新过一遍，形成系统的知识体系，同时适当记录一些学习笔记，我尽量及时更新！先从经典的《Python编程：从入门到实战》书籍开始吧。有问题欢迎在评论区讨论，互相学习，good good study，day day up！上一篇文章。在本章中，你将学习Python字典以及如何访问和修改字典。

在本章中，你将学习如何使用循环遍历整个列表，适用于任何长度的列表。

元组使用圆括号而不是方括号来标识。定义元组后，可以使用索引来访问其元素，就像访问列表元素一样。

列表由一系列按特定顺序排列的元素组成。你可以创建包含字母表中所有字母、数字0~9或所有学生姓名的列表。在Python中，用方括号（[]）来表示列表，并用逗号来分隔其中的元素。

【写在前面】为进一步提高自己的python代码能力，先从经典的书籍开始吧，《Python编程：从入门到实战》，侵权删！

最近学习了《深度学习之pytorch实战计算机视觉》这本书，前面几章介绍了一些入门知识（这里略过），重点放在5-11章的内容和代码，笔记和代码（可跑通）完整链接如下：《深度学习之pytorch实战计算机视觉》第5章 Python基础《深度学习之pytorch实战计算机视觉》第6章 PyTorch基础（代码可跑通）《深度学习之pytorch实战计算机视觉》第7章 迁移学习（代码可跑通）《深度学习之pytorch实战计算机视觉》第8章 图像风格迁移实战（代码可跑通）《深度学习之pytorch

上一章《深度学习之pytorch实战计算机视觉》第10章 循环神经网络（代码可跑通）介绍了循环神经网络，接下来看自动编译器。自动编码器（ AutoEncoder ）是一种可以进行无监督学习的神经网络模型。一般而言，一个完整的自动编码器主要由两部分组成，分别是用于核心特征提取的编码部分（Encoder）和可以实现数据重构的解码部分（Decoder）。下面介绍自动编码器中编码部分和解码部分的具体内容。11.1 自动编码器入门在自动编码器中负责编码的部分也叫作编码器（Encoder），而负责解码的部分也叫

torch版本>='1.6.0'。循环神经网络（Recurrent Neural Network，简称RNN）是深度学习中重要的内容和我们之前使用的卷积神经网络有着同等重要的地位。循环神经网络主要被用于处理序列（Sequences）相关的问题，比如在自然语言领域应用循环神经网络的情况就较多；当然，也可以用于解决分类问题，虽然在图片特征的提取上没有卷积神经网络那样强大，但是本章仍然会使用循环神经网络来解决图片分类的问题，并主要讲解循环神经网络的工作机制和原理。

多模型融合是一种“集百家之所长”的方法，非常受大众喜爱，比如在Kaggle比赛中就经常会用到各种各样的多模型融合实例。其实多模型融合的内容不仅仅局限于本章所介绍的内容，因为本章讲到的只是用于模型输出结果的融合方法，而且这些方法还在不断创新，所以我们最主要的还是要发挥自己的想象力和创造力，这样才有可能发现更多、更优的模型融合方法。

本章将完成一个有趣的应用：图像风格迁移算法。

第7章迁移学习

6.16.1.1 Tensor的数据类型：torch.FloatTensor 生成数据类型为浮点数的张量，入参为列表或者维度值torch.IntTensor 生成数据类型为整型的张量，入参为列表或者维度值torch.rand 随机生成数据类型为浮点型的张量，浮点数据在0-1区间均匀分布，入参为维度值torch.randn 随机生成数据类型为浮点型的张量，浮点数据满足N（0,1）的正态分布，入参为维度值torch.range 生成数据类型为浮点数且自定义起始范围和结束范围的张量，入参为起始点.

类的继承不过需要注意的是，当一个类被继承时，这个类中的初始化方法是不会被自动调用的，所以我们需要在子类中重新定义类的初始化方法。另外，我们在使用 Python 代码去调用某个方法时，默认会先在所在类中进行查找，如果没有找到，则判断所在的类是否为子类，如果为子类，就继续到父类中查找。下面通过一个具体的实例来看看如何创建和使用子类。class People(): def __init__ (self,name,age): self.name= name

在PyTorch深度学习实践概论笔记11-卷积神经网络高级篇中介绍了GoogLeNet（包括Inception Module）以及Residual Block，为进一步学习ResNet网络，需要阅读论文。论文链接：https://arxiv.org/pdf/1512.03385.pdf...

python画图时需要注意的小细节。

查看官方文档。

RNN Classifier – Name Classification用RNN做一个分类器。现在有一个数据集，数据集里有人名和对应的国家，我们需要训练一个模型，输入一个新的名字，模型能预测出是基于哪种语言的（18种不同的语言，18分类）。Revision在自然语言处理中，通常先把词或字编程一个one-hot向量，one-hot向量维度高，而且过于稀疏，所以一般来说先通过嵌入层（Embed）把one-hot向量转化成低维的稠密向量，然后经过RNN，隐层的输出...

对线性层的复用Dense网络：稠密网络，有很多线性层对输入数据进行空间上的变换，又叫DNN。输入x1，x2，…，xn是数据样本的不同特征。Dense连接就是指全连接。比如预测天天气，就需要知道之前几天的数据，每一天的数据都包含若个特征，需要若干天的数据作为输入。假设现在取前3天，每一天有3个特征。第一种方法：把x1，x2，x3拼成有9个维度的长向量，然后去训练最后一天是否有雨。用全连接稠密网络进行预测，如果输入序列很长，而且每一个序列维度很高的话，对网络训练有很大挑战，因为稠密网络（

上一篇的神经网络架构是一个串行的结构，上一层输出是下一层的输入。在神经网络里面有更为复杂的结构，比如加上分支，或者输出会返回来。RevisionGoogLeNetInception Module一个块：Inception（盗梦空间）1x1卷积最主要的工作：改变通道数，减小复杂度1x1的卷积有啥用？（降低运算量）What is 1x1 convolution?Why is 1x1 convolution?1*1卷积可以减少运算量。Impl..

简单介绍卷积神经网络。

刘老师在第8讲中留下一个练习：使用kaggle上的Titanic数据集，使用DataLoader类进行分类。训练目标是预测某位乘客是否活下来（Survived）。我们先看前期的数据分析。

多分类问题-MNIST数据集Revision: Diabetes datasetRevision: MNIST DatasetDesign 10 outputs using Sigmoid?Output a Distribution of prediction with Softmax多分类问题用SoftMax分类器要求输出的分类概率都大于0且总和为1，把输出经过sigmoid运算就可以。Softmax Layer定义ExampleLoss

原文链接：Save and Load the Model — PyTorch Tutorials 1.10.1+cu102 documentationSAVE AND LOAD THE MODELIn this section we will look at how to persist model state with saving, loading and running model predictions.【在本节中，我们将看看如何通过保存、加载和运行模型预测来持久化模型状态。】imp

原文链接：Optimizing Model Parameters — PyTorch Tutorials 1.10.1+cu102 documentationOPTIMIZING MODEL PARAMETERSNow that we have a model and data it’s time to train, validate and test our model by optimizing its parameters on our data. Training a model is an

原文链接：Automatic Differentiation with torch.autograd — PyTorch Tutorials 1.10.1+cu102 documentation

原文链接：Build the Neural Network — PyTorch Tutorials 1.10.1+cu102 documentationBUILD THE NEURAL NETWORKNeural networks comprise of layers/modules that perform operations on data. The torch.nn namespace provides all the building blocks you need to build you

Dataset and DataLoader是加载数据的两个工具类。Dataset：构造数据集（数据集应该支持索引，能够用下标操作快速把数据拿出来）。 DataLoader：主要目标是拿出一个MiniBatch(一组数据)供我们训练的时候快速使用。Revision:Manual data feed在上面的代码中，训练时，每次给Model做前馈的时候都是把所有的数据（x_data）传进去的。在做梯度下降的时候有两种选择：①全部的数据都用（Batch）②随机梯度下降：只用一个样本..

原文链接：Transforms — PyTorch Tutorials 1.10.1+cu102 documentationData does not always come in its final processed form that is required for training machine learning algorithms. We use transforms to perform some manipulation of the data and make it suitable

原文链接：Datasets & DataLoaders — PyTorch Tutorials 1.10.1+cu102 documentationCode for processing data samples can get messy and hard to maintain; we ideally want our dataset code to be decoupled from our model training code for better readability and mo

原文链接：Tensors — PyTorch Tutorials 1.10.1+cu102 documentation