Wanderist_

▌前言前些天闲来无事想弄个微信公众号机器人，因为可以用机器人做好多事情，比如可以让它变成一个智能聊天机器人，也可以让它爬取并推送arxiv上自己想要的论文，还可以让它绘制并推送有关肺炎疫情的曲线图等等，所有的这些只需要实现对应指令的接口即可，也就是给公众号发送指定的指令，就会给你推送该指令对应的任务回复。搜了全网资料，没有找到一个完整介绍搭建微信公众号机器人全过程的，或者需要付费才能看搭建...

1.xdeepFM2.deepFM

主要分为以下几个步骤。客户端生成密钥，包括私钥和公钥。 在服务器中配置客户端的公钥。 在客户端配置服务器登录相关参数。1.客户端生成密钥，包括私钥和公钥ssh-keygen -t rsassh-keygen -t rsa -C "your.email@example.com" -b 4096生成密钥过程中，建议采用默认值，只需要按三次回车之后，就会再～/.ssh目录下生成密...

该种在服务器和客户端之间传送文件方法的好处是可以批量传送文件，只要你想down下整个服务器都可以，没有文件大小的限制。步骤如下：（1）先设置ssh免密登录，具体步骤看我的博客：https://blog.youkuaiyun.com/m0_37922734/article/details/99408543（2）从服务器down到本地命令rsync -avz -e ssh yonghuming@172...

Docker的基本概念镜像（Image）：类似于虚拟机中的镜像，是一个包含有文件系统的面向Docker引擎的只读模板。 容器（Container）：类似于一个轻量级的沙盒，可以看做是镜像的实例。 仓库（Repository）：类似于代码仓库，这里是镜像仓库，是Docker用来集中存放镜像文件的地方。公司的镜像仓库的地址为 https://registry.sensetime.com/har...

1.一般情况下，AI深度学习的任务会有要求分类的，对象检测的，关键点检测的，但这些任务都需要网络既有提取细节信息的能力，又具有大感受野的能力。2.比如FashionAI的服饰属性分类，既需要网络能提取细节信息（领口，袖口等），也就是要求feature map的分辨率高，又需要网络具有大的感受野，能看到全局（比如长裤等），但是一般通过堆叠卷积操作，让感受野增大后，feature map的分辨率又...

1.先安装anaconda安装包，Python3.6版本的2.然后运用conda命令新建一个python虚拟环境，conda create -n [name] python=3.6 -y ,这样就新建了一个名字为name 的Python虚拟环境3.然后对虚拟环境进行激活，命令为 source activate name在这里python虚拟环境就新建成功啦4.添加conda，pip...

1.由于该网络是多任务训练，分别对难检测点和易检测点进行了loss 计算，同时采用了Feature Pyramid Network（FPN）主结构（U-shape）提取特征，因此训练时间比较长，当我对该网络进行了改进时，发现完整从头训练一次需要24~26个epoch，而一个epoch就需要3个半小时，耗时特别长，因此把开始的学习率从0.0001调到了0.0005，缩短了训练时间，赶论文所迫，总共有...

简单描述，通过空洞卷积可以在保持卷积核参数大小不变的同时，增大卷积的视野。除此之外，在进行空洞卷积前，通过双线性插值，对feature map进行上采样之后，再进行空洞卷积，这样可以在提高feature map的像素的同时，提取更多的全局进行。一些常见下采样的操作：maxpooling;conv 3*3，same padding，stride=2;开了一个技术交流的公众号，里面记录一...

1.利用每个关键点的响应图（即平面上的点的数值满足正态分布，可以画出三维高斯图）来表达各个部位的空间约束，相当于把点的回归转化成面的回归，减少误差。同时论文中把中心点的响应也作为网络的输入，用来做中心约束。2.由于论文中提出的网络是分阶段的，因此在训练的时候，如果只用最后一阶段的的输出和label计算loss会使得梯度回传到上一阶段出现梯度弥散的现象，因此论文中提出中继监督优化，即在每一阶段的...

看完YOLO算法后，觉得真的是非常棒的一个对象检测算法。最主要的亮点是他的检测速度快，这和其中的只用一次卷积提取特征有关，也就是说，该算法不是先对图像进行区域划分再进行卷积提特征分类，而是一个端到端的一次性的回归出bounding box和classification，即输出 n * n * 8个参数（假设对象有3类）。Pc：是否有对象，bx：对象中心点的x坐标（小于1），by：对象中心点的y...

1.Lenet-5  ：最先出现的卷积神经网络，1998年，由于当时的硬件还不成熟，因此到了2012年出现了AlexNet2.AlexNet：可以说是现在卷积神经网络的雏形3.VGGNet：五个模块的卷积叠加，网络结构如下： 4.GoogleNet：inception v1,v2,v3, xception,基本思想就是对feature map用不同的卷积核filter进行卷积，...