知来者逆的博客

在机器学习或者深度学习课题里，时常要频繁地使用统计概率的理论来辅助进行数据处理与研究。因此，理解和掌握一定的统计概率知识是非常必要的。在科学研究和城市研究领域，统计概率理论的应用也十分常见。随机变量 (Random Variable)：一个随机变量是一个可以取多个可能值的量，这些值是根据某种概率分布来确定的。密度函数 (Density Functions)：在连续随机变量中，密度函数描述了随机变量的可能取值范围内每个值出现的概率密度。它通常用于计算概率、期望值等。

原理列表是一种有序的可变容器，可以存储任意类型的对象。它的主要操作包括索引、切片、添加、删除、修改元素等。列表中的元素在内存中是连续存储的（对于简单的对象，如整数、字符串等是这样，对于复杂对象可能涉及到引用的存储），这使得通过索引访问元素的速度非常快，时间复杂度为O(1)。但是，在列表中间插入或删除元素可能需要移动后面的元素，时间复杂度为O(n)，其中n是列表的长度。底层结构在CPython（Python的官方实现）中，列表是由一个动态数组实现的。

深度学习模型推理onnxruntimer报错

数据可视化是通过图形、图表、地图等可视元素将数据呈现出来，以便更容易理解、分析和解释。它是将抽象的数据转化为直观形象的过程，有助于发现数据中的模式、趋势和关系。数据可视化对于数据科学、商业分析、决策制定等领域都至关重要。当我们想用数据描述世界、阐释想法和展示成果时，如果只有单调的文本和数字，很难吸引观众的注意。漂亮的可视化图表有时能够在表达信息上胜过大量文字。

常用Python 一行实现功能代码示例

要对比目录下的jpg文件与json文件，并删除那些没有对应json文件的jpg文件，这个在深度学习或者机器学习时常会遇到。比如对一个数据集做处理时，往往会有些图像不用标注，那么这张图像是没有对应的标签文件的，这个时候又不想这些没有标注的图像文件占用了空间，所以则要删除掉没有标签对应的图像文件。

QLineEdit文字输入框的使用方法和代码示例

QLmage使用示例

QPainter是Qt框架中的一个类，用于在Qt基于应用程序中进行绘图和绘制图形。使用QPainter，可以绘制各种形状，如线条、矩形、椭圆和多边形，以及文本和图像。它提供了用于指定颜色、画笔、笔刷和变换的方法。

PyQt中定时器的使用示例与详细代码实现

在 GUI 程序中，如果想要让程序执行一项耗时的工作，例如下载文件、I/O 存取等,深度学习模型推理，直接在 UI 线程中进行这些操作会导致整个界面卡住，出现无响应的状态。为了避免这种情况，可以将这些耗时任务放在另一个线程中执行。因此，如果有耗时的工作需要执行，通常不会将其放在 UI 线程中，因为这样做会阻止其他控件的更新，导致界面卡顿或程序无响应。

详细介绍了sqlite的使用方法和示例和如何优化sql语句。

介绍 Python 判断当前运行所在的操作系统的3种方法带示例

这是演示了如何使用python和pyqt5实现打开文件对话框的详细教程

QCheckBox 是 Qt 框架中的一个控件，用于在界面中表示一个可以被选中或取消选中的复选框。它通常用于允许用户在多个选项之间进行选择。在 Python 中使用 PyQt 或 PySide 开发 GUI 应用程序时，可以使用 QCheckBox 控件来实现复选框。

在计算机视觉项目中，使用样本时经常会遇到图像样本不统一的问题，比如图像质量，并非所有的图像都具有相同的质量水平。在开始训练模型或运行算法之前，通常需要对图像进行预处理，以确保获得最佳的结果。图像预处理包括调整大小和裁剪到降噪和归一化的各种技术。涉及的库有OpenCV、Pillow和scikit-image等。

许多算法，无论是监督学习还是无监督学习，都使用距离度量。这些度量，如欧几里得距离或余弦相似度，通常出现在k-NN、UMAP、HDBSCAN等算法中。理解距离度量领域的重要性可能超出了你的预期。以k-NN为例，这是一种常用于监督学习的技巧。默认情况下，它经常使用欧几里得距离。作为一种距离度量，它本身是很好的。

在编写函数时，经常希望函数接口更加灵活，可以支持默认参数、可变参数、关键字参数等特性。下面将详细介绍这些函数传参的使用方法。

PyCharm错误解决

使用python把视频转成gif动图

Scrapy是一个适用于Python的快速、高层次的屏幕抓取和Web抓取框架，用于从Web站点中抓取数据并提取结构化数据。Scrapy的用途非常广泛，可用于数据挖掘、监测和自动化测试。Scrapy的吸引之处在于它是一个框架，允许用户根据自己的需求进行方便的定制。它还提供了多种类型的爬虫基类，如BaseSpider、Sitemap爬虫等，而最新版本还增加了对Web 2.0爬虫的支持。

Python 3.11引入了多项丰富的新特性和功能，其中包括模式匹配、类型提示、改进的错误报告等。这些新特性为开发者提供了更强大的工具，使得编写高效且可靠的代码变得更为容易。特别值得注意的是，Python 3.11通过模式匹配的引入，为代码逻辑提供了更清晰、更紧凑的表达方式。模式匹配不仅简化了复杂的条件逻辑，还在结构匹配方面提供了更灵活的处理方式。此外，强化的类型提示和类型检查功能有助于在开发过程中及早捕获潜在的类型错误，提高了代码的健壮性。

PyInstaller是一个用于将Python脚本打包成独立可执行文件的工具。它能够将整个Python应用程序（包括所有依赖项和解释器）打包为单个可执行文件，使得用户可以在不安装Python的情况下运行应用程序。

单线程处理视频流时，如果目标检测模型较大或者任务复杂，会影响处理速度。而使用多线程，让视频捕获和目标检测分别在各自的线程中运行，能够更充分地利用 CPU 的多核心处理能力，提高整体的处理效率和实时性。在实时视频处理中，特别是涉及到深度学习模型推理这种计算密集型的任务时，多线程确实能够带来显著的性能提升。通过将视频捕获和处理分开，可以避免由于处理时间过长而导致的帧丢失或延迟。

详细介绍了Python语言的8大核心，以便有编程经验的人快速入门Python编程。

CodeFormer是一种基于AI技术深度学习的人脸复原模型，有人脸超分，人脸祛除马赛克，人脸修复，人脸上色C++和python部署。

目前可以识别的目标有2万1000多种，基本可以覆盖真实世界里面所有可以见到的目标。

使用多感知端到端网络处理自动驾驶中的车辆识别，路面可驾驶区域分割和车道线识别与分割

在vs2019下使用C++与Python进行混合编程,在根源上讲，Python 本身就是一个C库，那么这里使用其中最简单的一种方法是把Python的C API来嵌入C++项目中，来实现混合编程。

转换或者量化模型是为了提高模型推理速度，但往往会对模型精度产生影响，这里演示了验证与评估模型转换与部署在mAP上的对比

对于没有GPU训练机的人来讲，使用云服务器训练自己的模型应该最最优选择，只是在训练的时候开个按时计费的服务器，训练完成后保存环境镜像之后，可以完全停掉服务器，期间不产生任何费用，下次再训练时，启动环境就可以，很容易保护好自己的训练环境不受污染。详细记录如何配置与使用远程GPU服务训练深度神经网络模型，保姆级步骤。

前言1.PaddleGAN是飞浆开源的一个项目，其中有一个demo是只要一张照片，5分钟就能瞬间带你回到“回不去的过去”，去到“去不了的未来”，真真切切地感受与另一半从年少到白头的浪漫，算法原理可以移步https://github.com/PaddlePaddle/PaddleGAN/blob/develop/README_cn.md 。2.官方给了Linux下的部署教程，但只抱想试试的我来说，去折腾个Linux是不现实的，所以就试了在Win下部署。3.先看看测试的效果，有些处理的还是顶逼真，中间那张

前言在做深度学习图像识别相关的项目，经常会使用到标注工具对图像进行标注，然后会在对应文件夹下生成标签文件，比如xml,txt文件，但有时候会漏标或者样本不对不想标注的，那在要训练时一个个文件去对比是不现实的。代码下面的python是做两个目录交差对比，分别输出各两个不同的结果，如果想删除没有对应图像，把注释打开就可以了。用是python版本是2.7.# -*- coding: utf-8 ...

前言1.在图像处理中，经常要与文件和目录打交道，使用C++时般会用boost这个库来实现对文件的操作，如果应用python的话就可以使用pyhton的 os 及 shutill 模块，其中包含了很多操作文件和目录的函数，相对来说更便捷一些吧。2.我这里演示的代码都是python2.7这个版本，是在linux编译的。一、操作文件夹1.遍历目录下的的所有文件（1）递归遍历目录import ...