<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fish_like_apple的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fish_like_apple</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fish_like_apple]]></copyright><item><title><![CDATA[【全栈】Flask中TemplateNotFound错误的解决方法]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/103129089</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/103129089</guid><author>fish_like_apple</author><pubDate>Mon, 18 Nov 2019 20:22:13 +0800</pubDate><description><![CDATA[前言：

{

  最近在udacity上的“全栈基础”课程[1]，调试render_template的时候出现了TemplateNotFound的错误。

}



正文：

{

  我很确定我把html模板和py文件放到一起了，可是render_template就是反复报错。后来我又仔细看了几遍课程视频，也去看了下github上的代码，才发现html模板需要在templates文件...]]></description><category></category></item><item><title><![CDATA[【问题探究】torchvision实践中特征提取的问题的纪录（待解决）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/102902703</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/102902703</guid><author>fish_like_apple</author><pubDate>Mon, 04 Nov 2019 20:16:54 +0800</pubDate><description><![CDATA[前言：

{

  最近在调试一个包括efficientnet[1]的网络，其中efficientnet部分被用来做特征提取。我在尝试把efficientnet换成torchvision[2]中的其他网络。但是在第一次尝试resnet101时就发现了这个问题。

}



正文：

{

  在阅读torchvision中的resnet部分的源码[3]后，我发现这里貌似不提供提取特征的方...]]></description><category></category></item><item><title><![CDATA[【kaggle】北大&百度发起的自动驾驶竞赛的初步了解]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/102755919</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/102755919</guid><author>fish_like_apple</author><pubDate>Sun, 27 Oct 2019 22:59:24 +0800</pubDate><description><![CDATA[前言：

{

  最近在kaggle上瞎逛时，忽然看到了一些新竞赛，其中就有北大&amp;百度联合发起的自动驾驶相关竞赛[1]。之前没有了解过自动驾驶，这次趁着这个机会了解一下。

}



正文：

{

  首先是竞赛任务。

  此竞赛的任务是预测图片中车辆的型号，朝向和位置。值得一提的是，这次的任务不是分割，而且训练集和测试集都配有mask图片，不过这个mask遮住的是不需...]]></description><category></category></item><item><title><![CDATA[【问题探究】如何解决pytorch训练时的显存占用递增（导致out of memory）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/101448551</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/101448551</guid><author>fish_like_apple</author><pubDate>Thu, 26 Sep 2019 20:56:33 +0800</pubDate><description><![CDATA[前言：

{

  现在的神经网络模型，动不动就爆内存。两年前我笔记本2G的显存都绰绰有余，现在16G的P100，24G的P40却还不够。更让我郁闷的是，在pytorch训练时，显存占用竟然会不断增加，可能刚开始训练时是正常的，但是放在那里，不知道什么时候它就突然来一句out of memory，然后就尥蹶子不干了，白白浪费了很长的时间。所以这个问题我确实需要搞清楚。

}



正文：

...]]></description><category></category></item><item><title><![CDATA[【python练习】在kaggle上的首个公开notebook(由mask生成bbox)]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/100894475</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/100894475</guid><author>fish_like_apple</author><pubDate>Mon, 16 Sep 2019 19:54:35 +0800</pubDate><description><![CDATA[前言：

{

  知道要更新但没想好写什么，我就干脆在kaggle上写了一篇公开的notebook[1]（我记得原来好像叫kernel），内容很简单，就是根据segmentation标签生成bbox。

}



正文：

{

  主要内容在[1]。我做这个是因为我搞错了。我本想试试之前我博客[2]提到的HRNet，而恰好mmdetection里也实现了HRNet，且这里还有许多其他...]]></description><category></category></item><item><title><![CDATA[【论文阅读纪录】Gated-SCNN: Gated Shape CNNs for Semantic Segmentation]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/100808457</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/100808457</guid><author>fish_like_apple</author><pubDate>Fri, 13 Sep 2019 23:28:27 +0800</pubDate><description><![CDATA[前言：

{

  前几篇分割网络的论文都是在[1]中找到的，开始我发现我忘了[2]，在[2]中我找到了一个比较新的网络：Gated-SCNN[3]，这次就来看看它有什么特点。

}



正文：

{

  在论文的第一节，作者指出了目前分割网络所面临的问题，包括使用略微修改的分类网络会降低网络输出的空间解析度，和颜色、形状(shape)、纹理信息都被混在一起处理。因此，作者提出了一种...]]></description><category></category></item><item><title><![CDATA[【论文阅读纪录】UPSNet: A Unified Panoptic Segmentation Network]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/100653261</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/100653261</guid><author>fish_like_apple</author><pubDate>Mon, 09 Sep 2019 19:54:19 +0800</pubDate><description><![CDATA[前言：

{

  今天阅读的还是在之前的awesome semantic segmentation[1] 中看到的论文UPSNet[2]，主要针对全景分割（Panoptic Segmentation）[3]。

}



正文：

{

  在论文的第一节，作者提到了一个现象：目前分割任务包括语义分割（Semantic Segmentation）和实例分割（Instance Segme...]]></description><category></category></item><item><title><![CDATA[【论文阅读纪录】High-Resolution Representations for Labeling Pixels and Regions（HRNetV2）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/100623183</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/100623183</guid><author>fish_like_apple</author><pubDate>Sun, 08 Sep 2019 20:56:52 +0800</pubDate><description><![CDATA[前言：

{

  最近在github上看到了一个语义分割的汇总[1]，上面有很多论文我都还没看过，这次我打算选一个比较新的来读读看。

  这次选择的论文是2019年的High-Resolution Representations for Labeling Pixels and Regions [2]。

}



正文：

{

  在论文的第一节，作者介绍了目前一些高分辨率风格...]]></description><category></category></item><item><title><![CDATA[【论文阅读纪录】Segmentation-Based Deep-Learning Approach for Surface-Defect Detection]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/100558812</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/100558812</guid><author>fish_like_apple</author><pubDate>Fri, 06 Sep 2019 15:13:14 +0800</pubDate><description><![CDATA[前言：

{

  最近很久都没更新了。说实话，没时间都是借口，主要还是忘记了要时刻学习。

  这段时间我在了解segmentation网络，之前我搜到了一篇腾讯云社区上的文章[1]，标题说其秒杀DeepLab。这确实激起了我的兴趣，因此我决定先读一读原论文[2]。

  值得一提的是，此论文的目标是缺陷检测（分割），我很好奇其能不能泛化到其他的segmentation领域。

}
...]]></description><category></category></item><item><title><![CDATA[【论文阅读纪录】M2Det（目标检测）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/92797576</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/92797576</guid><author>fish_like_apple</author><pubDate>Tue, 18 Jun 2019 22:04:14 +0800</pubDate><description><![CDATA[前言：

{

 之前github上搜目标检测的模型，搜到了几个效果不错的模型，这次要介绍的就是其中之一：M2Det[1]，[2]。

 这次的博客就用来做M2Det论文的阅读纪录。

}



正文：

{

 在文章的一开始，作者介绍了目标检测的主要问题：目标的尺度不定。解决这个问题的方法有两种：

使用图像金字塔，即对原图进行缩放以使用不同尺度的图像。由于需要反复计算特征...]]></description><category></category></item><item><title><![CDATA[【论文阅读纪录】如何处理深度学习中图像的标注遗漏（missing annotation）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/91508231</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/91508231</guid><author>fish_like_apple</author><pubDate>Fri, 14 Jun 2019 22:09:00 +0800</pubDate><description><![CDATA[前言：

{

 很久没有更新了，这是因为之前我很幼稚地觉得写博客有点浪费时间。但是现在看来，不整理笔记的话学习效率更低，所以还是继续更新了。

 今天的这个话题是之前多目标识别[1]的后续。本来想换个数据集试试目标检测任务，但是现在遇到些棘手的问题，其一就是如何处理样本的标注遗漏（missing annotation）。

 下面简单纪录我读到的相关论文。

}



正文：...]]></description><category></category></item><item><title><![CDATA[【机器学习实践】自动调参的实践(hyperopt)]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/89423493</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/89423493</guid><author>fish_like_apple</author><pubDate>Thu, 25 Apr 2019 10:12:04 +0800</pubDate><description><![CDATA[前言：

{

 在看西瓜书11章的时候，突然想到模型的超参数问题。之前我都是在尝试别人的模型+自己凭感觉给的超参数，不过学习的时候最好不要靠感觉（话说靠感觉也要能解释的通）。

 我记得去年我去了谷歌的线下开发者大会，当时遇到一个谷歌的工程师，我向他咨询为什么我修改的模型效果不好（我把inception模型中间部分的数据提取出来做特征，但是效果反而变差），当时那个工程师告诉我一些事情...]]></description><category></category></item><item><title><![CDATA[【阅读记录】降维与度量学习（《机器学习》第10章）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/88897037</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/88897037</guid><author>fish_like_apple</author><pubDate>Sat, 13 Apr 2019 21:21:38 +0800</pubDate><description><![CDATA[前言：

{

 我大概看了一下这一章的内容，有很多是我之前了解过的，学习这一章应该不会花费我太多时间，所以就连着上一期一起做笔记了。

 线性代数警告！

}



正文：

{

 k近邻学习：

 {

 书中描述的比较简单，这种方法大致意思就是：无标签样本标签由周围最近的k个有标签样本的标签决定（哪个标签最多就是哪个标签）。

 很明显...]]></description><category></category></item><item><title><![CDATA[【阅读记录】聚类（《机器学习》第9章）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/88866763</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/88866763</guid><author>fish_like_apple</author><pubDate>Fri, 29 Mar 2019 18:00:38 +0800</pubDate><description><![CDATA[前言：

{

 之前《机器学习》[1]第8章还有几个习题没搞明白（8.1和8.2我甚至连题目的意思都还没看懂，可见我的水平是有多捉急），这次就先进行第9章的内容，毕竟时间宝贵（也许有一天突然开窍了也说不定）。

}



正文：

{

 聚类指标和距离度量：

 {

 聚类是一种无监督学习。度量聚类效果的指标有两类：外部指标和内部指标。

 外...]]></description><category></category></item><item><title><![CDATA[【零散知识】CatBoost的简单了解]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/88825872</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/88825872</guid><author>fish_like_apple</author><pubDate>Wed, 27 Mar 2019 19:53:31 +0800</pubDate><description><![CDATA[前言：

{

 之前把《机器学习》上面的集成学习部分过了一遍，之后就想去做编程习题，但是经过搜索发现了很多新模型。上次介绍的是xgboos，而这次介绍CatBoost。

 实际除此之外，我还试了lgbm、xgboost和sklearn（sklearn之后可能会单独介绍），但是在同一个数据集上，这3个模型很快（加起来才几分钟）就出结果了，而CatBoost跑了差不多8个小时（英特尔I...]]></description><category></category></item><item><title><![CDATA[【零散知识】gradient boosting的简单实践（xgboost）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/88638481</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/88638481</guid><author>fish_like_apple</author><pubDate>Wed, 20 Mar 2019 17:13:24 +0800</pubDate><description><![CDATA[前言：

{

 昨天简单了解了一下gradient boosting，实际上在机器学习比赛中，gradient boosting的算法非常流行。这次要记录的是gradient boosting的一种实现：xgboost（eXtreme Gradient Boosting）。

}



正文：

{

 xgboost的简单介绍：

 {

 论文原文地址：[1...]]></description><category></category></item><item><title><![CDATA[【零散知识】梯度提升（gradient boosting，GB）的简单记录]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/88623774</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/88623774</guid><author>fish_like_apple</author><pubDate>Sun, 17 Mar 2019 22:06:58 +0800</pubDate><description><![CDATA[前言：

{

 之前在kaggle上看到了几个之前没学习过的模型，梯度提升机（gradient boosting machine，GBM）就是其中之一，可是《机器学习》[1]里没有相关介绍，因此我就在网上找了一些资料了解一下gradient boosting。

}



正文：

{

 boosting算法：

 {

 首先需要介绍一下boosting算法...]]></description><category></category></item><item><title><![CDATA[【阅读记录】贝叶斯相关知识（极大似然估计与贝叶斯分类器）]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/87724121</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/87724121</guid><author>fish_like_apple</author><pubDate>Sat, 16 Mar 2019 18:56:13 +0800</pubDate><description><![CDATA[前言：

{

 上一期[1]实际应该算是阅读记录，因为主要参考的只有[2]，这一期也是继续后面的内容。

}



正文：

{

 极大似然估计（Maximum Likelihood Estimation，MLE）：

 {

 这个概念在《概率论与数理统计》中有涉及，不过我还记得考试时相关的题目都很简单，只需要取对数求导即可，更深的内容我就不了解了，这次正好...]]></description><category></category></item><item><title><![CDATA[【论文阅读记录】一篇关于地震预测的论文]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/88195635</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/88195635</guid><author>fish_like_apple</author><pubDate>Sat, 16 Mar 2019 17:11:35 +0800</pubDate><description><![CDATA[前言：

{

 这几天开始忙了，可能时间没有之前充裕，但是我尽量3天一更吧。

 这篇论文的名称是《Machine Learning Predicts Laboratory Earthquakes》（机器学习预测实验室地震）[1]，读一读扩充一下视野。

}



正文：

{

 在第一节，作者先介绍了经典的地震预测方法：基于地震的间隔时间来预测。但是，这种方法在最近的一段...]]></description><category></category></item><item><title><![CDATA[【零散知识】离散傅里叶变换的应用]]></title><link>https://blog.youkuaiyun.com/fish_like_apple/article/details/88069437</link><guid>https://blog.youkuaiyun.com/fish_like_apple/article/details/88069437</guid><author>fish_like_apple</author><pubDate>Tue, 05 Mar 2019 18:06:44 +0800</pubDate><description><![CDATA[前言：

{

 现在手头有个处理音频的练习，由于之前的在学校学的傅立叶变换只是为了解题，而且基本忘光。这次不会涉及太多公式，主要是通过实例简单了解下离散傅里叶变换的应用。

 离散傅立叶变换（DFT）是傅立叶变换的离散形式，因为现实中的数据大多都是离散的，所以我也主要记录离散傅立叶变换。

}



正文：

{

 先说应用。

 先看下面的代码：


#代码1

i...]]></description><category></category></item></channel></rss>