- 博客(112)
- 收藏
- 关注
RSS订阅
原创 YOLOV5训练自己的数据集教程（万字整理，实现0-1）
YOLOv5是一种单阶段目标检测算法，该算法在的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。YOLOv5是Glenn Jocher等人研发，它是Ultralytics公司的开源项目。YOLOv5根据参数量分为了n、s、m、l、x五种类型，其参数量依次上升，当然了其效果也是越来越好。从2020年6月发布至2022年11月已经更新了7个大版本，在v7版本中还添加了语义分割的功能。
2024-03-31 20:24:33
12000
23
原创 统计XML文件内标签的种类和其数量及将xml格式转换为yolov5所需的txt格式
对于自己标注的数据集，需在标注完成后需要对标注好的XML文件校验，下面是代码，只需将SrcDir换成需要统计的xml的文件夹即可。②imges文件夹中的train目录下的每一张图片都要有相应的xml文件，若无，则手动删除该jpg文件。解决办法：最简单就是查看你文件夹下的XML文件的大小是否为0kb，若为0kb，直接删除。①此处的xml—txt.py文件是放在datasets文件夹下的。我的标注标签有四个，分别对应下面这四个数字。接下来又是漫长且易秃的环境配置之路了。这是因为我的数据集中有XML文件为空。
2024-03-30 23:31:20
1256
2
原创 Microsoft SQL Server2019占用大量磁盘空间的解决办法（占了我C盘120G的空间！！！）附SQL数据库定时清理代理作业
先找文件路径：找到文件夹是在C:\Program Files(有可能是Program Files (x86))\Microsoft SQL Server\MSSQL15.MSSQLSERVER\MSSQL\Log\Polybase\dump。除了以.log结尾的文件（就一个），其他全部删掉就可以了。删除后对数据库没有任何影响，删不掉的话需要以管理员身份运行。出现这种情况，我在各种清理C盘后，空间还是没有太大变化 ，且几乎每天都要少2个G，后来终于找见原因了，几乎每一个都有500mb，共119G。
2024-03-16 21:17:19
6089
2
原创 opencv人脸识别实战3：多线程和GUI界面设计（PyCharm实现）
如果成功，将捕获到的图像 `img` 转换成 RGBA 格式，并创建一个 `ImageTk` 对象 `imgtk` 用于在 `panel` 中显示。设置了三个按钮 `Button`，分别用于开始人脸识别 (`f_scan_face`)、录入人脸 (`f_rec_face`) 和退出程序 (`f_exit`)。将按钮放置在窗口的特定位置，并通过 `command` 参数将按钮与对应的功能函数绑定。创建了一个空白的 `Label` 控件 `panel`，可能会用于显示摄像头捕获的图像。函数来进行人脸识别操作。
2024-03-11 00:01:02
1813
5
原创 SQL Server 2019安装详细教程(图文详解，非常靠谱)
Microsoft SQL Server 是一种关系数据库管理系统 (RDBMS)。应用程序和工具连接到 SQL Server实例或数据库，并使用(T-SQL) 进行通信。SQL Server Management Studio (SSMS) 是一种集成环境，用于管理任何 SQL 基础结构。使用 SSMS 访问、配置、管理和开发 SQL Server、和的所有组件。
2024-02-20 17:01:32
54771
11
原创 Transformer介绍
从ELIZA聊天机器人到GPT-4，Transformer诠释了一个真理：智能的本质在于有限算力下的最优注意力分配当我们用多头注意力处理法律文本时，模型会自发形成"法条检索头"、"事实认定头"、"量刑建议头"的功能分化——这像极了人类法官的合议庭机制。今年初，某量子计算团队将Transformer的位置编码迁移到量子线路优化，使算法收敛速度提升3倍——这或许预示着，注意力机制正在成为连接经典与量子计算的桥梁。这揭示了一个反直觉现象：智能体的认知弹性可能更多依赖于前馈网络的非线性容量，而非注意力头的数量。
2025-03-06 21:29:00
664
1
原创 《生成对抗网络：当AI学会自我博弈的艺术》
站在Yann LeCun"预测学习"与Jürgen Schmidhuber"好奇心驱动"的十字路口，我突然明白：GAN的价值不在于完美生成，而在于这个永不停歇的博弈过程本身。就像古希腊哲学家赫拉克利特所说："斗争乃万物之父"，在对抗中诞生的，或许正是强人工智能的雏形。技术栈延伸：本文涉及PyTorch Lightning框架+WandB可视化方案，完整代码已上传GitHub下期预告：《当Transformer遇上生物制药：蛋白质折叠的新范式》——从AlphaFold2到自主药物设计。
2025-03-06 21:22:35
537
原创 计算机网络第四章 网络层
ICMP 差错报告报文的数据字段是固定格式的：把收到的需要进行差错报告的 IP 数据报的首部和数据字段的前 8 个字节（为了得到运输层的端口号和运输层报文的发送序号）提取出来作为 ICMP 报文的数据部分。路由器刚开始的路由表是空的，通过不断地和与它直接相连的路由器交换并更新信息，经过多次更新后，所有的路由表就都会知道到达本自治系统中任何一个网络的最短距离和下一跳路由器的地址了。OSPF 只在链路状态发生变化时，才向本自治系统中的所有路由器用洪泛法发送与本路由器相邻的所有路由器的链路状态信息。
2024-11-04 20:41:19
988
3
原创 正则化 LP、L1、L2范数
正则化的本质很简单，就是对某一问题加以先验的限制或约束以达到某种特定目的的一种手段或操作。在算法中使用正则化的目的是防止模型出现过拟合。
2024-10-15 11:11:38
2142
原创 UML用例图
又称用况图，描述。通过用例图展示待建系统的上下文范围以及它提供的功能。它描述了谁（或什么）与系统交互，外部世界做些什么。用例着眼于为用户，提供了一种捕获的系统且直观的方法，可驱动整个开发过程。用例从某个特定参与者的角度用简单易懂的语言说明。
2024-10-15 10:58:13
1686
原创 液态神经网络 LNN
A液体神经网络是一个时间连续的递归神经网络（RNN）它按顺序处理数据，保留过去输入的记忆，根据新输入调整其行为，并且可以处理可变长度输入以增强神经网络的任务理解能力。LNN 架构与传统神经网络的不同之处在于它能够有效地处理连续或时间序列数据。如果有新数据可用，LNN 可以更改每层神经元和连接的数量。液体神经网络的先驱，拉敏哈萨尼马蒂亚斯莱希纳，其他人已经采取了灵感来自微小线虫秀丽隐杆线虫，一种 1 毫米长的蠕虫，具有结构完善的神经系统，使其能够执行复杂的任务，例如寻找食物、睡眠和向周围环境学习。
2024-10-14 09:01:07
3620
原创 【论文解读系列】EdgeNAT: 高效边缘检测的 Transformer
论文介绍了一种名为EdgeNAT的基于Transformer的边缘检测方法。
2024-10-14 08:41:50
2207
原创 【论文解读系列】Hyper-YOLO：在目标检测中加入超图计算
使用超图计算的方法来进行高阶特征的交互。论文链接：https://arxiv.org/pdf/2408.04804v1摘要我们介绍了一种新的物体检测方法Hyper-YOLO，该方法集成了超图计算来捕捉视觉特征之间的复杂高阶相关性。传统的YOLO模型虽然强大，但在其颈部设计中存在局限性，这限制了跨层级特征的整合以及高阶特征间相互关系的利用。
2024-10-14 08:41:40
3448
原创 【论文解读系列】卷积神经网络数学解析
过去我们已经知道了这些紧密连接的神经网络。这些网络的神经元被分成若干组，形成连续的层layer。每一个这样的神经元都与相邻层的每一个神经元相连。下图显示了这种体系结构的一个示例。图1. 密集连接的神经网络结构当我们根据一组有限的人工设计的特征来解决分类问题时，这种方法很有效。例如，我们根据足球运动员在比赛期间的统计数据来预测他的位置。然而，当处理照片时，情况变得更加复杂。当然，我们可以将每个像素的像素值作为单独的特征，并将其作为输入传递给我们的密集网络。
2024-09-22 16:09:29
930
原创 概率论公式可视化
概率和统计知识是数据科学和机器学习的核心；我们需要统计和概率知识来有效地收集、审查、分析数据。现实世界中有几个现象实例被认为是统计性质的（即天气数据、销售数据、财务数据等）。这意味着在某些情况下，我们已经能够开发出方法来帮助我们通过可以描述数据特征的数学函数来模拟自然。“概率分布是一个数学函数，它给出了实验中不同可能结果的发生概率。了解数据的分布有助于更好地模拟我们周围的世界。它可以帮助我们确定各种结果的可能性，或估计事件的可变性。所有这些都使得了解不同的概率分布在数据科学和机器学习中非常有价值。
2024-09-22 16:04:31
714
原创 YOLO原理实现
在这种情况下，我使用了一个实现最大池化的函数，如果所有值都为负，则将值设置为零。现在输入图像已经被过滤成一个更适合最终建模任务的抽象表示（实际上是通过几个卷积层，而不是本示例中的一个卷积层），可以通过展平将其转换为一个向量。每个两个类概率中的一个作为e的指数，这些值除以两个值的总和作为e的指数。原始的YOLO论文使用批归一化，它在一个批次的不同图像之间归一化相同的值。L是展平向量的长度，为18。然后，可以通过对前一部分的结果中的所有值进行平方，将它们相加，除以值的数量，并计算平方根来计算标准差。
2024-09-22 11:15:04
1666
原创 C++STL简答题
它们有类似功能，迭代器是访问容器，指针是访问内存地址，指针相对自由，不受限制，STL迭代器类似指针，通过它的有序移动把容器中元素与算法关联起来，它是实现所有STL功能的基础所在。关联式容器与顺序容器相比，关联式容器更注重快速与高效的检索数据的能力，这些容器是根据键值（key）来检索数据的，键可以是值，也可以是容器中的某一成员，这一类中的成员在初始化后，都是按照一定顺序排好序的。是通过重载类中的operator函数实现函数对象功能的，不但可以对容器中的数据进行各种各样的操作，而且能够维护自己的状态。
2024-09-21 17:09:48
715
原创 C++STL大题总结
"按空格拆分，应得到三个子串："How"，”are”，”you”cout << "出现2的次数m[2]=" << m[2] << endl;cout<"成绩高于80分的人数为："<< nCount<<endl；//拆分子串结束位置。cout<<”1-1是:“ <<s<<endl;Cout<<”6-1是：”<<s<<endl;cout<<"1-1没有登记"<<end1；
2024-09-21 17:05:28
866
原创 深度学习激活函数
对于长度为 K 的任意实向量，Softmax 可以将其压缩为长度为 K，值在（0，1）范围内，并且向量中元素的总和为 1 的实向量。（同时，有界性也是有优势的，因为有界激活函数可以具有很强的正则化，并且较大的负输入问题也能解决）；注意：在一般的二元分类问题中，tanh 函数用于隐藏层，而 sigmoid 函数用于输出层，但这并不是固定的，需要根据特定问题进行调整。激活函数是神经网络模型重要的组成部分，本文作者Sukanya Bag从激活函数的数学原理出发，详解了十种激活函数的优缺点。
2024-09-20 09:38:40
1175
原创 【论文解读系列】用于自监督点云表示的生成变分对比学习
三维点云的自监督表示学习受到了越来越多的关注。然而，现有的3D计算机视觉领域的方法通常使用固定的嵌入来表示潜在特征，并对嵌入施加硬约束，以使正样本的潜在特征值趋于一致，这限制了特征提取器在不同数据域上的泛化能力。为了解决这个问题，我们提出了一个生成变分对比学习（GVC）模型，其中使用高斯分布来构建潜在特征的连续、平滑表示。构建了分布约束和交叉监督，以提高特征提取器在合成和真实世界数据上的迁移能力。具体来说，我们设计了一个变分对比模块来约束特征分布，而不是潜在空间中每个样本对应的特征值。
2024-09-19 09:43:17
1349
原创 计算机网络第二章 物理层
采用基于频分复用的 DMT 调制技术，将 4kHz 以上的频带划分为许多子信道，其中 25 个子信道用于上行，249 个子信道用于下行。ADSL 的好处是可以利用现有的电话线，缺点是传输距离有限，并且不能保证固定的数据率。出光纤到户 FTTH 外，还有光纤到大楼 FTTB，光纤到楼层 FTTF 等，一般运行商所说的光纤到户并非真正的 FTTH。来自信源的信号成为基带信号，因为基带信号中包含较多低频成分，而许多信道不能传输低频分量和直流分量，所以需要对基带信号调制。短波通信质量较差，速率较低。
2024-09-19 09:35:20
1465
原创 从测试角度看用户手册在软件质量中的地位
对于软件，开发者往往只注意到其功能和性能，而忽略了用户手册。其实用户手册也是衡量软件好坏的一个重要标准。好的用户手册可以帮助用户快速入门，是用户正确、充分使用软件的前提。对于开发者来说，好的用户手册可以减少培训和售后服务的费用。所以在测试中，不能忽略用户手册的重要性，应从以下多个方面考察用户手册的质量。
2024-09-17 00:30:00
486
原创 前馈神经网络
前馈神经网络（feedforward neural networkFNN），简称前馈网络，是人工神经网络的一种。前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元。在此种神经网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层（或隐藏层、隐层）。隐层可以是一层。也可以是多层。整个网络中无反馈，信号从输入层向输出层单向传播，可用一个有向无环图表示。
2024-09-17 00:15:00
372
原创 卷积神经网络
或称之为梯度消失，根源在于非凸目标代价函数导致求解陷入局部最优，且这种情况随着网络层数的增加而更加严重，即随着梯度的逐层不断消散导致其对网络权重调整的作用越来越小），所以只能转而处理浅层结构（小于等于。大约二三十年前，神经网络曾经是机器学习领域特别热门的一个方向，这种基于统计的机器学习方法比起过去基于人工规则的专家系统，在很多方面显示出优越性。CNN（卷积神经网络）其实是已经很早提出来的理论，也得到了在字母识别数字识别上的好的运用，的模型里，输入就是图像的像素，没有用到任何的人工特征。
2024-09-16 16:48:41
1262
原创 感知器神经网络
感知器研究中首次提出了自组织、自学习的思想，而且对所能解决的问题存在着收敛算法，并能从数学上严格证明，因而对神经网络研究起了重要推动作用。单层感知器的结构与功能都非常简单，以至于在解决实际问题时很少采用，但由于它在神经网络研究中具有重要意义，是研究其它网络的基础，而且较易学习和理解，适合于作为学习神经网络的起点。单层感知器是指只有一层处理单元的感知器，如果包括输入层在内，应为两层，如下图所示。图中输入层也称为感知层，有n。为了求得感知器的权重参数，需要确定一个学习策略，即定义损失函数并将损失函数极小化。
2024-09-16 16:42:50
928
原创 长短期记忆人工神经网络
长短期记忆网络（LSTM）是一种时间循环神经网络，是为了解决一般的RNN循环神经网络）存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。LSTM的表现通常比时间递归神经网络及隐马尔科夫模型（HMM）更好，比如用在不分段连续手写识别上。2009年，用LSTM构建的人工神经网络模型赢得过ICDAR手写识别比赛冠军。LSTM还普遍用于自主语音识别，2013年运用TIMIT自然演讲数据库达成17.7%错误率的纪录。作为非线性。
2024-09-15 17:29:50
1277
原创 matlab处理函数5
如果希望将数字图像装入工作台中，需使用 getimage 函数，从当前的句柄图形数字图像对象中获取数字图像数据，dither 数字数字图像抖动，将灰度图变成二值图，或将真彩色数字数字图像抖动成索引色数字数字图像。分散的数字数字图像也可以合并成数字数字图像序列，前提是各数字数字图像尺寸必须相同，若是索引色数字数字图像，注意：对于索引数字图像，即使数字图像阵列的本身为类uint8或类uint16，imread函数仍将。(2) 此外，还可以使用一个调色板显示一副二进制数字图像。
2024-09-15 14:24:06
960
原创 matlab处理函数4
X=idwt2(cA,cH,cV,cD,Lo_R,Hi_R)使用指定的重构低通和高通滤波器 Lo_R 和 Hi_R 重构原信号 X；[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D) 使用指定的分解低通和高通滤波器 Lo_D 和 Hi_D 分。X=idwt(cA,cD,'wname',L) 和 X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号 X 中心附近的 L 个点。和X=idwt2(cA,cH,cV,cD,Lo_R,Hi_R,S) 返回中心附近的 S 个数据点。
2024-09-15 14:23:48
908
原创 matlab处理函数3
说明：对于 C=conv2(A,B) ，conv2 的算矩阵A 和 B 的卷积，若[Ma,Na]＝size(A), [Mb,Nb]=size(B), 则 size(C)=[Ma+Mb-1,Na+Nb-1];说明：J=imadjust(I,[low high],[bottomtop],gamma) 其中，gamma 为校正量r，[lowhigh] 为原数字数字图像中要变换的灰度范围，[bottom top][J,T]=histeq(I,...)返回从能将数字数字图像 I 的灰度直方图变换成。
2024-09-14 12:00:24
970
原创 matlab处理函数2
① imnoise：用于对数字数字图像生成模拟噪声%模拟高斯噪声② fspecial：用于产生预定义滤波器%sobel水平边缘增强滤波器%高斯低通滤波器%拉普拉斯滤波器%高斯拉普拉斯（LoG）滤波器%均值滤波器。
2024-09-14 11:55:41
832
原创 计算机网络第一章 概述
计算机网络由多个结点和连接结点的链路组成。结点可以是计算机、集线器、交换机或路由器等。网络之间可以通过路由器互连起来构成网络的网络，称为互连网。网络把许多计算机连接在一起，互连网则把许多网络通过路由器连接在一起。与网络相连的计算机称为主机。计算机网络并非专门用来传送数据，还支持很多其他应用。
2024-09-13 10:01:51
1732
原创 pytorch使用技巧
我们将模型划分为两部分，存放到一个列表里，每部分就对应上面的一个字典，在字典里设置不同的学习率。：去除dim指定的且size为1的维度，维度大于1时，squeeze()不起作用，不指定dim时，去除所有size为1的维度。也可以在列表外设置一个全局学习率，当各部分字典里设置了局部学习率时，就使用该学习率，否则就使用列表外的全局学习率。的作用就是释放缓存分配器当前持有的且未占用的缓存显存，以便这些显存可以被其他GPU应用程序中使用，并且通过。设置当前使用的GPU设备仅为0号设备，设备名称为。
2024-09-13 08:59:18
1289
原创 【论文解读系列】DPD-BiReconstructor的神经网络架构
原标题：Semisupervised Neural Proto-Language Reconstruction论文地址：https://arxiv.org/pdf/2406.05930现有实现祖先语言（原语言）比较重建的工作通常需要完全监督。然而，如果历史重建模型只能用少量标记数据进行训练，那么它们才具有实际价值。我们提出了一个半监督历史重建任务，其中模型仅在少量标记数据（带有原形式的同源词集）和大量无标记数据（没有原形式的同源词集）上进行训练。
2024-09-13 08:44:53
1005
原创 【论文】YOLO v10
与YOLOv9-C相比，YOLOv10-B在相同性能下延迟减少了46%，参数减少了25%。论文地址：https://arxiv.org/pdf/2405.14458项目地址：https://github.com/THU-MIG/yolov10在过去几年中，YOLO系列模型已成为实时目标检测领域的主导范式，这得益于它们在计算成本和检测性能之间的有效平衡。研究行人探索了YOLOs的架构设计、优化目标、数据增强策略等，取得了显著的进展。
2024-08-26 08:49:16
963
1
原创 搭建深度神经网络（DNN）
利用numpy工具，手动搭建一个 DNN 深度神经网络。定义网络结构初始化模型参数循环计算：前向传播/计算当前损失/反向传播/权值更新。
2024-08-26 08:44:19
627
原创 【论文解读系列】Kaggle经验-时间预测序列和深度学习模型的关系
与深度神经网络（DNN）模型类似，该文作者通过将时间序列预测任务转化为一个基于窗口的回归问题，对GBRT模型的输入和输出结构进行了特征设计，例如，对于每个训练窗口，目标值与外部特征相连接，然后扁平化形成一个多输出GBRT模型的输入实例。模型是本研究中最新的DNN方法，通过将用于局部处理的递归层与捕捉数据中长期依赖关系的转化器典型的自我注意层相结合，该模型不仅可以在学习过程中动态地关注相关的特征，而且还可以通过门控机抑制那些被认为是不相关的特征。是一个概率生成模型，使用RNN学习参数化的线性状态空间模型。
2024-08-14 19:49:24
812
原创 机器学习-傅里叶变换
傅里叶变换是一种在各种科学和工程领域中发挥了关键作用的数学技术，其应用范围从信号处理到量子力学。近年来，它在机器学习领域找到了新的重要性。傅里叶变换通过频域分析，让我们看到了另一份观景，在机器学习领域也同样适用。
2024-08-14 19:43:55
1339
计算机操作系统试题库(最全).pdf
2024-03-17
计算机操作系统第四版期末复习知识点汇总附习题.pdf
2024-03-17
计算机操作系统章节复习题及答案.pdf
2024-03-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人