<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gengmeng_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/gengmeng_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; gengmeng_]]></copyright><item><title><![CDATA[牛客计算机视觉——图像 刷题知识点记录]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/151725539</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/151725539</guid><author>gengmeng_</author><pubDate>Mon, 15 Sep 2025 21:15:30 +0800</pubDate><description><![CDATA[本文总结了图像处理与计算机视觉中的关键方法和技术。在图像去噪方面，对比了线性滤波器（均值、高斯）和非线性滤波器（中值、双边）的原理及适用场景；边缘检测部分分析了一阶（Sobel、Prewitt）和二阶（Laplacian、Canny）算子的特点。此外，还介绍了深度学习中的Batch Normalization原理、全卷积网络特性、目标检测指标（IoU、mAP）以及经典网络架构（Faster R-CNN、YOLO）。在特征提取方面，比较了SIFT和ORB的优缺点，并阐述了HOG的应用场景。]]></description><category></category></item><item><title><![CDATA[tensorflow-gpu=1.15 keras=2.3.1python=3.6创建虚拟环境]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/144415380</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/144415380</guid><author>gengmeng_</author><pubDate>Thu, 12 Dec 2024 08:49:31 +0800</pubDate><description><![CDATA[tensorflow-gpu=1.15 keras=2.3.1python=3.6创建虚拟环境]]></description><category></category></item><item><title><![CDATA[torch、torchvision离线下载网址]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/134605232</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/134605232</guid><author>gengmeng_</author><pubDate>Fri, 24 Nov 2023 19:11:22 +0800</pubDate><description><![CDATA[https://download.pytorch.org/whl/torch/
https://download.pytorch.org/whl/torchvision/]]></description><category></category></item><item><title><![CDATA[代码复现问题《Nuclei Segmentation with Mixed Points and Masks Selected from Uncertainty》]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/133254551</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/133254551</guid><author>gengmeng_</author><pubDate>Sun, 24 Sep 2023 22:42:59 +0800</pubDate><description><![CDATA[代码复现]]></description><category></category></item><item><title><![CDATA[【扩散模型】学习笔记9.14-9.18]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/132865495</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/132865495</guid><author>gengmeng_</author><pubDate>Mon, 18 Sep 2023 15:06:54 +0800</pubDate><description><![CDATA[我们向原始图像x0中逐步添加高斯噪声，噪声的标准差是固定值βt来确定的，均值是固定值βt 和和t−1时刻的数据xt−1确定的。模型中蕴含一个噪声预测器（UNet），它会根据当前的输入预测出噪声，然后，将当前图片减去预测出来的噪声，就可以得到去噪后的图片。生成模型的本质是通过一个已知的概率模型来拟合所给的数据样本，也就是说，我们往往需要通过模型得到一个带参数的分布。当DDPM训练好之后，对于训练好的模型，我们从最后一个时刻（T）开始，传入一个纯噪声（或者是一张加了噪声的图片），逐步去噪。]]></description><category></category></item><item><title><![CDATA[【生成对抗网络】学习笔记2023.9.7-9.13]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/132841186</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/132841186</guid><author>gengmeng_</author><pubDate>Wed, 13 Sep 2023 20:22:11 +0800</pubDate><description><![CDATA[参考博客链接如下：
https://blog.youkuaiyun.com/weixin_38346042/article/details/121633697
https://blog.youkuaiyun.com/weixin_45377629/article/details/124006451
https://zhuanlan.zhihu.com/p/618066889对抗式过程的最终目标是尽可能逼真地模拟数据集的分布。例如，当提供一个汽车图像的数据集Xreal时，GAN的目标是生成可信的汽车图像Xfake。GAN中的Gene]]></description><category></category></item><item><title><![CDATA[【建立自己的项目结构】学习笔记 2023.9.12]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/132825180</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/132825180</guid><author>gengmeng_</author><pubDate>Tue, 12 Sep 2023 21:27:40 +0800</pubDate><description><![CDATA[建立项目结构]]></description><category></category></item><item><title><![CDATA[win10查看CUDA和cuDNN版本]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/130895691</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/130895691</guid><author>gengmeng_</author><pubDate>Sat, 27 May 2023 00:04:58 +0800</pubDate><description><![CDATA[win10查看CUDA与cuDNN版本]]></description><category></category></item><item><title><![CDATA[pycharm下pip安装sqlalchemy失败解决方法]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/129221040</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/129221040</guid><author>gengmeng_</author><pubDate>Sat, 25 Feb 2023 21:53:02 +0800</pubDate><description><![CDATA[pycharm下pip安装sqlalchemy失败解决方法]]></description><category></category></item><item><title><![CDATA[【文献翻译】Comparison between Calculation Methods for Semantic Text Similarity based on Siamese Networks]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/128520990</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/128520990</guid><author>gengmeng_</author><pubDate>Mon, 02 Jan 2023 14:59:35 +0800</pubDate><description><![CDATA[人类在传递信息时，一直离不开语言和文字。如今，人们获取网络信息的方式越来越多样化，文字、图片、语音、视频等。单调的文字信息已经不能满足人们日益增长的需求。如何有效地从文本中提取用户想要理解的内容，具有极高的研究价值。为了让计算机理解自然语言并执行与人类交互的语言任务，出现了自然语言处理 (NLP)。NLP领域有很多核心任务，包括搜索引擎、问答系统、文档分类和聚类以及文档重复检查。它们都有助于通过对文本语义的理解，从海量信息中满足用户的需求和兴趣。]]></description><category></category></item><item><title><![CDATA[【文献翻译】Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/128520818</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/128520818</guid><author>gengmeng_</author><pubDate>Mon, 02 Jan 2023 14:52:11 +0800</pubDate><description><![CDATA[在本论文中，我们介绍了Sentence-BERT(SBERT)，它是使用孪生网络和三元组网络对BERT网络进行的修改，能够导出具有语义意义的句子嵌入。这使得BERT可以用于某些新任务，而这些任务迄今为止不适用于BERT。这些任务包括大规模语义相似性比较、聚类和通过语义搜索进行信息检索。BERT在各种句子分类和句子对回归任务上设置了新的最先进的性能。BERT使用交叉编码器：将两个句子传递到transformer网络并预测目标值。但是，由于可能的组合太多，此设置不适用于各种对回归任务。]]></description><category></category></item><item><title><![CDATA[jupyterbook import requests运行报错：ModuleNotFoundError: No module named ‘requests‘]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/124726933</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/124726933</guid><author>gengmeng_</author><pubDate>Thu, 12 May 2022 11:08:21 +0800</pubDate><description><![CDATA[问题描述
jupyterbook import requests运行报错：ModuleNotFoundError: No module named ‘requests’
原因分析：
Mindspore里没有安装requests包
解决方案：
打开Anaconda Prompt

在MindSpore环境下运行这两行代码，安装requests
activate MindSpore
pip install requests

解决问题


...]]></description><category></category></item><item><title><![CDATA[基于tensorflow实现手写数字识别]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/124723472</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/124723472</guid><author>gengmeng_</author><pubDate>Thu, 12 May 2022 08:40:51 +0800</pubDate><description><![CDATA[实验目的

了解机器学习的相关知识
实现基于tensonflow的手写数字识别

实验环境

ubuntu16.04 或 windows
python 3（默认安装版本）
tensorflow 2.0 版本以上，或其他深度学习框架

实验内容
实现基于深度学习的 MNIST 手写数字识别
import matplotlib.pyplot as plt
import tensorflow as tf
%matplotlib inline

mnist = tf.keras.datasets.mnist
#加载]]></description><category></category></item><item><title><![CDATA[springboot启动报错：Identify and stop the process that s listening on port 9090 or configure...]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/124718553</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/124718553</guid><author>gengmeng_</author><pubDate>Wed, 11 May 2022 20:54:59 +0800</pubDate><description><![CDATA[后端错误记录：Identify and stop the process that s listening on port 9090 or configure this application to listen on another port.]]></description><category></category></item><item><title><![CDATA[大数据 MapReduce编程实践（1）编程实现文件合并和去重操作]]></title><link>https://blog.youkuaiyun.com/gengmeng_/article/details/124677922</link><guid>https://blog.youkuaiyun.com/gengmeng_/article/details/124677922</guid><author>gengmeng_</author><pubDate>Mon, 09 May 2022 23:32:24 +0800</pubDate><description><![CDATA[标题

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录一、实验目的二、实验平台三. 实验内容和要求（1）编程实现文件合并和去重操作（2）编写程序实现对输入文件的排序（3）对给定的表格进行信息挖掘四、实验遇到的问题

一、实验目的
1.通过实验掌握基本的MapReduce编程方法；
2.掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。
二、实验平台
已经配置完成的Hadoop伪分布式环境。
三. 实验内容和要求
（1）编程实现文件合并和去重]]></description><category></category></item></channel></rss>