Felaim的博客

是 PyTorch 中实现嵌入操作的核心模块，它将离散符号映射到连续的语义空间，是处理符号数据的基础工具。通过训练，模型可以自动学习符号之间的语义关系（例如相似性）。它通常用于自然语言处理（NLP）任务（如词嵌入）、处理分类特征，或任何需要将离散索引转换为密集向量的场景。在 PyTorch 中，

Onnx模型前向验证说明：下方代码对应的是模板代码onnx_path是对应onnx的路径，data_path是pth模型前向保存的网络输入和网络输出输出的打印比较多，可按照自己需求进行关闭import onnxruntimeimport torchimport pickleimport numpy as npimport onnxonnx_path = "***.onnx"data_path = "***.pkl"# 获取onnx网络的输出model = onnx.load

Spearman’s rank correlation coefficient的简单理解1. 背景在统计学中，斯皮尔曼等级相关系数（Spearman’s rank correlation coefficient， 或者Spearman’s ρ\rhoρ， 通常使用ρ\rhoρ或者rsr_srs​来表示），是一个等级相关性的非参数度量（两个变量等级之间的统计相关性）。这个相关系数使用单调函数来描述两个变量之间的关系程度。如果两个变量的Spearman correlation和Pearson correl

Pearson correlation coefficient 的简单理解1. 背景最近LZ正在恶补一些nlp相关的知识，其中在判断句子文本相似性的时候，使用了Pearson correlation和Spearman’s rank correlation这两个统计学相关系数，还是做个笔记吧，不然时间久了，又会忘记了。在统计学中，皮尔逊相关系数（Pearson correlation coefficient, PCC）,有的时候也指Pearson’s r, 皮尔逊剂矩相关系数 （Pearson pr

一文理解常用激活函数1. Sigmoid公式：Sigmoid(x)=11+exp⁡(−x)\text{Sigmoid}(x) = \frac{1}{1 + \exp(-x)}Sigmoid(x)=1+exp(−x)1​Sigmoid的函数形状如下图所示:对应的导数形式如下图所示：Sigmoid函数的优点：便于求导，可以看到Sigmoid的梯度是平滑的函数能够压缩数据，数据会压缩在0-1之间适合用于前向传播Sigmoid函数的缺点：容易出现梯度消失Sigmoid的输出不是0均

功能性模块：（7）检测性能评估模块一、模块介绍其实每个算法的好坏都是有对应的评估标准的，如果你和老板说检测算法好或者不好，哈哈哈，那必然就是悲剧了。好或者不好是一个定性的说法，对于实际算法来说，到底怎么样算法算好？怎么样算法算不好？这些应该是有个定量的标准。对于检测来说，可能最常用的几个评价指标就是precision（查准率，就是你检测出来的目标有多少是真的目标），recall（查全率，就是实际的目标你的算法能检测出来多少），还有ap，map等。本篇博客其实就是让小伙伴们对自己的检测模型心里有一个底，换

功能性模块：（6）视频切割成图片：OpenCV版一、模块介绍这个其实是功能性模块（5）的反向过程，主要的目的是将视频抽成图片，这样便于逐帧分析，或者进行其他应用，这个看小伙伴们需求。二、代码实现def Video2Frame(videopath): """ :param video_root: 视频的根目录 :return: """ video_names = os.listdir(videopath) for video_name in video

功能性模块：（5）图片生成视频：ffmpeg版和OpenCV版一、模块介绍这个模块其实是非常常用、基本的模块了，主要就是针对一些需要依靠视频才能评判效果的一些应用，当然小伙伴们按自己的需求来吧。这个图片呢其实是LZ事先处理好的，这个里有一个小技巧可以分享给小伙伴们，在图像命名的时候尽量以00001.jpg，00002.jpg这种方式来命名，这样对图像进行排序的时候也会更加方便，不至于出现1.jpg，10.jpg，2.jpg…这种情况，会非常麻烦。二、代码实现2.1 OpenCV版本OpenCV的

功能性模块：（4）感受野计算：疑惑中。。。一、模块介绍使用深度学习的小伙伴，相信对感受野这个概念肯定是不会陌生的，当时使用比较大尺寸的卷积核还是使用比较小的卷积核还引发了一系列的讨论，一层网络的感受野还是非常容易计算的，但是整个网络结构的感受野要怎么计算呢？其实对于本文中涉及到计算感受野的方式LZ也是比较有疑惑的，如果小伙伴有自己的理解，欢迎给LZ留言，一起探讨一下！LZ主要参考的文章是这一篇A guide to receptive eld arithmetic for Convolutional

功能性模块：（3）NMS ：cpu版和pytorch版一、模块介绍如果小伙伴们接触过检测方面的算法，应该对NMS不会很陌生，NMS（Non-Maximum Suppression）,即非极大值抑制，特别原理性的LZ就不专门介绍了，网上太多了。总的功能是什么呢？就是我们在做检测的时候，假设画面中有一个人脸，但是由于检测算法的不同，可能会在一个人脸上给出多个满足要求的检测框，我们当然不能把这些框都使用上，就挑选一个最满足要求的检测框就可以了。具体的效果如下图所示：二、代码实现1. cpu版本实现de

功能性模块：（2）解析xml一、 模块介绍为啥要写这个模块呢，通常公司给的标注文件都是以xml的格式，所以新手第一课就是解析xml，之前lz用的方法比较繁琐，现在有个还不错的方法，就记录一下吧。二、代码实现""" <object> <name>1</name> <angle_flag>face</angle_flag> <face_flag>0</face_flag> <fl

（1）计算IOU一、 模块介绍在实际应用中，其实我们在代码中经常会需要计算IOU，下面函数模块的输入分别为需要计算的两个矩形框的左上定点坐标和右下顶点坐标，通过IOU计算公式进行计算，代码已验证可以直接使用。二、代码实现def ComputeIOU(rec1, rec2): """ 计算两个矩形的iou,输入分别为左上角顶点和右下角顶点 :param rec1: （x0,y0,x1,y1） :param rec2: (x0,y0,x1,y1) :return:

LZ准备把经常使用的函数模块整理一下，后面在使用的时候直接搭个积木就可以啦1. 计算IOU