<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[一个做图像文本的深度学习人]]></title><description><![CDATA[目前研究方向：图像+文本数据融合]]></description><link>https://blog.youkuaiyun.com/kele_imon</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; kele_imon]]></copyright><item><title><![CDATA[如何把本地代码git到githunb里]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/142377342</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/142377342</guid><author>kele_imon</author><pubDate>Fri, 20 Sep 2024 13:37:00 +0800</pubDate><description><![CDATA[参考网站：Git - Downloading Package。]]></description><category></category></item><item><title><![CDATA[用Cursor生成一个代办事项列表的功能]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/142213218</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/142213218</guid><author>kele_imon</author><pubDate>Fri, 13 Sep 2024 16:06:26 +0800</pubDate><description><![CDATA[其实这一段代码使用Cursor生成，可以输入如下内容，即可自动生成代码：创建一个代办事项列表应用的基本结构，呈现在可交互界面上，1，提供可交互界面，html，生成本地可使用的界面，需要生成前端页面代码，前端可展示页面，把他写在一个网页上。我废话有点儿多，因为我叠加了好几次，我觉得重点是：1. 功能：创建一个代办事项列表应用的基本结构2.方式：需要生成前端页面代码，前端可展示页面大家可以多调试一下，反正也可以追加指示。]]></description><category></category></item><item><title><![CDATA[vscode pandas无法使用]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/134487159</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/134487159</guid><author>kele_imon</author><pubDate>Sun, 19 Nov 2023 09:36:35 +0800</pubDate><description><![CDATA[我本来安装命令用的是pip install pandas结果无法安装，报错：bash: pip: command not found。明明已经显示pandas-2.0.3了，但是当我再次执行文章开头的代码时还是不能用。然后我安装pandas，因为我的python的版本是python --version。显示：Python 2.7.18（看版本的命令是：python --version）在找了一通之后，改成pip3 install pandas。]]></description><category></category></item><item><title><![CDATA[数据仓库和数据集市]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/109448297</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/109448297</guid><author>kele_imon</author><pubDate>Tue, 03 Nov 2020 15:47:23 +0800</pubDate><description><![CDATA[概念




项目
数据仓库
数据集市
备注




定义
面向主题的、集成的、不可更新的(稳定性)、随时间不断变化的(不同时间)数据集合
是一个小型的、部门级别的数据仓库



级别
企业级
部门级(相当于数据仓库的子集)



分类

独立型和从属型
独立型从操作型中获取数据，从属型从企业级数据仓库中获取数据。从长远看，从属型比独立型要稳定。(因为独立型的数据相对零散，二从属性是跟随于企业级数据仓库的)


数据结构模式
规范化模式（关系数据库设计模式）
星型模式、雪片或两者混合（多维数据库设计模式）
]]></description><category></category></item><item><title><![CDATA[利用word2vec计算两个短文本的相似度]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/104872840</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/104872840</guid><author>kele_imon</author><pubDate>Sun, 15 Mar 2020 07:50:38 +0800</pubDate><description><![CDATA[import gensim
import jieba
import numpy as np
from scipy.linalg import norm

model_file = 'C:/Users/Administrator/Desktop//word2vec/news_12g_baidubaike_20g_novel_90g_embedding_64.bin'
model = gensim....]]></description><category></category></item><item><title><![CDATA[python3将某文件夹中多个txt进行合并]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/104872835</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/104872835</guid><author>kele_imon</author><pubDate>Sun, 15 Mar 2020 07:47:34 +0800</pubDate><description><![CDATA[import os
import os.path #文件夹遍历函数  
#获取目标文件夹的路径
filedir = 'C:/Users/Administrator/Desktop/a'
#获取当前文件夹中的文件名称列表  
filenames=os.listdir(filedir)
#打开当前目录下的result.txt文件，如果没有则创建
f=open('C:/Users/Administra...]]></description><category></category></item><item><title><![CDATA[数据融合方式]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/104330903</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/104330903</guid><author>kele_imon</author><pubDate>Sat, 15 Feb 2020 17:08:34 +0800</pubDate><description><![CDATA[目前，多模态数据融合主要有三种融合方式：前端融合(early-fusion)或数据水平融合(data-level fusion)、后端融合(late-fusion)或决策水平融合(decision-level fusion)和中间融合(intermediate-fusion)。

前端融合将多个独立的数据集融合成一个单一的特征向量，然后输入到机器学习分类器中。由于多模态数据的前端融合往往无法充分利...]]></description><category></category></item><item><title><![CDATA[pip uninstall numpy的时候出现的问题]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/96164548</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/96164548</guid><author>kele_imon</author><pubDate>Tue, 16 Jul 2019 18:27:58 +0800</pubDate><description><![CDATA[在pip uninstall numpy的时候，出现的问题，怎么也解决不来，这个要怎么办？

PermissionError: [WinError 5] 拒绝访问。: 'f:\\anaconda3\\envs\\tensorflow\\lib\\site-packages\\numpy\\.libs\\libopenblas.I
PBC74C7KURV7CB2PKT5Z5FNR3SIBV4J.gf...]]></description><category></category></item><item><title><![CDATA[在caffe中，BN层怎么用？]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/95332317</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/95332317</guid><author>kele_imon</author><pubDate>Wed, 10 Jul 2019 14:09:02 +0800</pubDate><description><![CDATA[目录

1.BN的作用

2.BN在caffe中代码

3.补充

4.参考

1.BN的作用

BN层的设定一般是按照conv→bn→scale→relu的顺序来形成一个block。


关于bn，有一个注意点，caffe实现中的use_global_stats参数在训练时设置为false，测试时设置为true。
因为在训练时bn作用的对象是一个batch_size，而不是整个训练集，如果没...]]></description><category></category></item><item><title><![CDATA[tfdbg常用指令]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/95309113</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/95309113</guid><author>kele_imon</author><pubDate>Wed, 10 Jul 2019 09:55:22 +0800</pubDate><description><![CDATA[1.tfdbg的作用

tfdbg是TensorFlow应用的调试工具，可以方便排查变量为nan、inf等问题，官方文档介绍https://www.tensorflow.org/versions/master/how_tos/debugger/。

tfdbg无需单独安装，安装0.12.1以上版本TensorFlow即可使用。

2.使用方法

tfdbg提供了命令行界面和API，使用方法很简...]]></description><category></category></item><item><title><![CDATA[tensorflow中，checkpoint和pb的区别和联系]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/94595844</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/94595844</guid><author>kele_imon</author><pubDate>Thu, 04 Jul 2019 10:59:06 +0800</pubDate><description><![CDATA[1.checkpoint文件

1.1保存方式

tf.train.Saver()

1.2可以得到四个文件

checkpoint检查点文件

model.ckpt.data-xxx保存的是参数的值

model.ckpt.index保存的是各个参数

model.ckpt.meta保存的是图的结构

1.3通过saver...]]></description><category></category></item><item><title><![CDATA[Tensorflow中使用tf.train.Saver()和saver.restore()进行参数的保存和重现]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/94586002</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/94586002</guid><author>kele_imon</author><pubDate>Wed, 03 Jul 2019 18:28:29 +0800</pubDate><description><![CDATA[保存checkpoint，利用restore和saver进行。]]></description><category></category></item><item><title><![CDATA[如何将tensorflow训练好的参数冻结成pb文件]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/94554557</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/94554557</guid><author>kele_imon</author><pubDate>Wed, 03 Jul 2019 11:30:00 +0800</pubDate><description><![CDATA[利用tensorflow冻结pb文件，虽然只是实现了，但是我还不会用，先记录下来吧，以后慢慢补充。]]></description><category></category></item><item><title><![CDATA[tensorflow如何开启tensorboard]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/94552354</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/94552354</guid><author>kele_imon</author><pubDate>Wed, 03 Jul 2019 10:22:49 +0800</pubDate><description><![CDATA[【通用】两步从anaconda中开启tensorboard]]></description><category></category></item><item><title><![CDATA[Caffe-如何修改为deploy.prototxt用于测试]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/93873377</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/93873377</guid><author>kele_imon</author><pubDate>Thu, 27 Jun 2019 14:16:18 +0800</pubDate><description><![CDATA[（1）将原网络文件去掉（以下部分）


layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    crop_size: 227
    mean_value: 104
    mean_value: 117
 ...]]></description><category></category></item><item><title><![CDATA[finetune的时候如何修改solver.prototxt和train_val.prototxt]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/89844494</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/89844494</guid><author>kele_imon</author><pubDate>Sun, 05 May 2019 14:45:14 +0800</pubDate><description><![CDATA[1.注意

题目中所指出的solver.prototxt和train_val.prototxt只是单纯的文件名字，大家可根据自己喜恶自行修改，

2.solver修改对比

主要的调整有：test_iter从1000改为了100，因为数据量减少了，base_lr从0.01变成了0.001，这个很重要，微调时的基本学习速率不能太大，学习策略没有改变，步长从原来的100000变成了20000，最大的迭...]]></description><category></category></item><item><title><![CDATA[如何在windows下利用caffe编写finetune脚本]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/89844210</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/89844210</guid><author>kele_imon</author><pubDate>Sun, 05 May 2019 14:22:48 +0800</pubDate><description><![CDATA[1.脚本全部内容（.bat）


GLOG_logtostderr=0
D:\caffe-master\Build\x64\debug\caffe.exe train --solver=D:\数据集\实验\finetune1\train_test\solver.prototxt --weights=D:\数据集\实验\finetune1\数据集_iter_1000.caffemodel
pause...]]></description><category></category></item><item><title><![CDATA[Cannot copy param 0 weights from layer 'fc6'; shape mismatch.  Source param shape is 4096 256 6 6 (]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/89843925</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/89843925</guid><author>kele_imon</author><pubDate>Sun, 05 May 2019 14:14:10 +0800</pubDate><description><![CDATA[1.文字描述：

Cannot copy param 0 weights from layer 'fc6'; shape mismatch. Source param shape is 4096 256 6 6 (37748736); target param shape is 4096 9216 (37748736). To learn this layer's parameters from...]]></description><category></category></item><item><title><![CDATA[caffe训练或者finetune的时候出现乱码且路径全部正确]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/89709239</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/89709239</guid><author>kele_imon</author><pubDate>Tue, 30 Apr 2019 14:51:02 +0800</pubDate><description><![CDATA[1.问题描述



如上图所示，就是莫名出现乱码而且根本通不过，然后下面还可能提示路径错误等，但是你检查了100次还是发现路径是对的，结果气死......

2.解决办法

在这个.bat的训练文件保存的时候是以txt格式结尾的，保存的时候看最下面的编码格式，改为下图



即可运行成功。
...]]></description><category></category></item><item><title><![CDATA[CNN模型总结]]></title><link>https://blog.youkuaiyun.com/kele_imon/article/details/89467097</link><guid>https://blog.youkuaiyun.com/kele_imon/article/details/89467097</guid><author>kele_imon</author><pubDate>Tue, 23 Apr 2019 10:20:50 +0800</pubDate><description><![CDATA[1. Alexnet

Alexnet，2012年ImageNet竞赛冠军，深度学习的里程碑。

网络结构地址：https://github.com/BVLC/caffe/tree/master/models/bvlc_alexnet

预训练模型地址：http://dl.caffe.berkeleyvision.org/bvlc_alexnet.caffemodel

2. Squeezenet...]]></description><category></category></item></channel></rss>