<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[瞳瞳瞳呀]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/q923714892</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; q923714892]]></copyright><item><title><![CDATA[Torch.distributed.elastic 关于 pytorch 不稳定]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/124754021</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/124754021</guid><author>q923714892</author><pubDate>Fri, 13 May 2022 16:07:24 +0800</pubDate><description><![CDATA[错误日志：
Epoch: [229] Total time: 0:17:21
Test:   [ 0/49]  eta: 0:05:00  loss: 1.7994 (1.7994)  acc1: 78.0822 (78.0822)  acc5: 95.2055 (95.2055)  time: 6.1368  data: 5.9411  max mem: 10624
WARNING:torch.distributed.elastic.agent.server.api:Received 1 death si]]></description><category></category></item><item><title><![CDATA[MMDetection修改代码无效]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/124294395</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/124294395</guid><author>q923714892</author><pubDate>Wed, 20 Apr 2022 12:18:46 +0800</pubDate><description><![CDATA[最近在打比赛，使用MMDetection框架，但是无论是Yolo修改类别还是更改head，代码运行后发现运行的是修改之前的代码。。。也就是说修改代码无效。。。
问题解决办法：
MMDetection在首次运行后会把一部分运行核心放在anaconda的环境中，即使修改了代码中的部分，anaconda中的代码没有更改，而真正运行的是anaconda环境中的代码
办法如下：

通过主文件夹进入anaconda，open-mmlab是我创建的anaconda环境，最后找到mmdet，然后找到自己想要修改的代码部分（]]></description><category></category></item><item><title><![CDATA[SiamBAN论文学习]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/120683667</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/120683667</guid><author>q923714892</author><pubDate>Mon, 11 Oct 2021 10:51:27 +0800</pubDate><description><![CDATA[SiameseBAN论文来源论文背景主要贡献论文分析网络框架创新点一：Box Adaptive Head创新点二：Ground-truth创新点三：Anchor Free论文流程训练部分：跟踪部分论文翻译Abstract1. Introduction2. Related Works2.1. Siamese Network Based Visual Trackers2.2. Anchor-free Object Detectors3. SiamBAN Framework3.1. Siamese Network]]></description><category></category></item><item><title><![CDATA[SiameseRPN++分析]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/120317216</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/120317216</guid><author>q923714892</author><pubDate>Thu, 16 Sep 2021 19:03:23 +0800</pubDate><description><![CDATA[SiamRPN++论文来源论文背景什么是目标跟踪什么是孪生网络结构Siamese的局限解决的问题论文分析创新点一：空间感知策略创新点二：ResNet-50深层网络创新点三：多层特征融合创新点四：深层互相关代码分析整体代码简述（1）特征提取网络（2）逐层的特征融合（Layerwise Aggregation）（3）深层互相关Depthwise Cross Correlation总结论文翻译Abstract1. Introduction2. Related Work3. Siamese Tracking wit]]></description><category></category></item><item><title><![CDATA[SiameseRPN详解]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/120001172</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/120001172</guid><author>q923714892</author><pubDate>Mon, 30 Aug 2021 20:22:00 +0800</pubDate><description><![CDATA[SiameseRPN论文来源论文背景一，简介二，研究动机三、相关工作论文理论注意：网络结构：1.Siamese Network2.RPN3.LOSS计算4.Tracking论文的优缺点分析一、Siamese-RPN的贡献/优点：二、Siamese-RPN的缺点：代码流程一、训练部分：二、跟踪部分论文翻译学术词语知识Abstract1. Introduction2. Related Works2.1. Trackers based on Siamese network structure2.2. RPN in]]></description><category></category></item><item><title><![CDATA[FCN全卷积网络随笔]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/119855280</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/119855280</guid><author>q923714892</author><pubDate>Sun, 22 Aug 2021 18:38:21 +0800</pubDate><description><![CDATA[参考：四、全卷积网络FCN详细讲解（超级详细哦）
这篇文章已经写的很好了，这里说两个我考虑的点。
第一个就是：FCN在缩小成heat map，为什么要通过上采样还原回原图大小？
我觉得这个的原因是因为，FCN需要找到原图目标的一个范围，通过放大去找到。比如说，输入是64×64的图像，在缩小到4×4之后，发现最大score在左上角，那么在通过采样后还原的图像，也可以寻找最大值来找到目标区域。
第二个就是：FCN和CNN的主要区别方面
我觉得主要区别不仅仅在于FCN在中间层不需要明确输出的size，重要的是输出]]></description><category></category></item><item><title><![CDATA[SiameseFC超详解]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/119839796</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/119839796</guid><author>q923714892</author><pubDate>Sat, 21 Aug 2021 21:56:28 +0800</pubDate><description><![CDATA[SiameseFC前言论文来源参考文章论文原理解读首先要知道什么是SOT？（Siamese要做什么）SiameseFC要解决什么问题？SiameseFC用了什么方法解决？SiameseFC网络效果如何？SiameseFC基本框架结构SiameseFC网络结构SiameseFC基本流程SiamFC完整的跟踪过程论文的思考与优化SiameseFC的优点：SiameseFC的不足：（Siamese一直有鲁棒性不好的问题）论文代码解读训练阶段：1.backbones.py分析2.heads.py分析3.train.]]></description><category></category></item><item><title><![CDATA[Siamese网络（孪生神经网络）详解]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/119838895</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/119838895</guid><author>q923714892</author><pubDate>Sat, 21 Aug 2021 14:56:50 +0800</pubDate><description><![CDATA[SiameseFCSiamese网络（孪生神经网络）本文参考文章：Siamese背景Siamese网络解决的问题要解决什么问题？用了什么方法解决？应用的场景：Siamese的创新Siamese的理论Siamese的损失函数——Contrastive Loss损失函数的选择论文中Contrastive Loss目前的Contrastive Loss:Siamese的思考Siamese的思想总结Siamese network是双胞胎连体，整一个三胞胎连体行不行？
Siamese网络（孪生神经网络）
本文参考文章]]></description><category></category></item><item><title><![CDATA[BP神经网络反向传播手动推导]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/119544766</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/119544766</guid><author>q923714892</author><pubDate>Mon, 09 Aug 2021 19:15:31 +0800</pubDate><description><![CDATA[BP神经网络过程：
基本思想
BP算法是一个迭代算法，它的基本思想如下：

将训练集数据输入到神经网络的输入层，经过隐藏层，最后达到输出层并输出结果，这就是前向传播过程。
由于神经网络的输出结果与实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
在反向传播的过程中，根据误差调整各种参数的值（相连神经元的权重），使得总损失函数减小。
迭代上述三个步骤（即对数据进行反复训练），直到满足停止准则。

梯度下降法

紫色部分：正确结果与节点输出结果的差值，也就是]]></description><category></category></item><item><title><![CDATA[VGAE（Variational graph auto-encoders）论文及代码解读]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/119531815</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/119531815</guid><author>q923714892</author><pubDate>Mon, 09 Aug 2021 10:58:28 +0800</pubDate><description><![CDATA[一，论文来源
论文pdf
Variational graph auto-encoders
论文代码
github代码
二，论文解读
理论部分参考：
Variational Graph Auto-Encoders（VGAE）理论参考和源码解析
VGAE（Variational graph auto-encoders）论文详解
理论方面其实前面两位大佬说的很好了，这里我只是来阐述两点：
1.测试方法：
模型在数据集的不完整版本上训练，其中部分引用链接(边)已被移除，而所有节点特征被保留。 我们从先前移除的边和相]]></description><category></category></item><item><title><![CDATA[Memory-Associated Differential Learning论文及代码解读]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/119388495</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/119388495</guid><author>q923714892</author><pubDate>Wed, 04 Aug 2021 18:20:07 +0800</pubDate><description><![CDATA[Memory-Associated Differential Learning论文及代码解读
论文来源：
论文PDF：
Memory-Associated Differential Learning论文
论文代码：
Memory-Associated Differential Learning代码
论文解读：
1.Abstract
Conventional Supervised Learning approaches focus on the mapping from input features to o]]></description><category></category></item><item><title><![CDATA[基于PyTorch搭建CNN实现视频动作分类任务代码详解]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118607313</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118607313</guid><author>q923714892</author><pubDate>Fri, 09 Jul 2021 15:16:36 +0800</pubDate><description><![CDATA[数据及具体讲解来源：
基于PyTorch搭建CNN实现视频动作分类任务
import torch
import torch.nn as nn
import torchvision.transforms as T
import scipy.io
from torch.utils.data import DataLoader,Dataset
import os
from PIL import Image
from torch.autograd import Variable
import numpy as n.]]></description><category></category></item><item><title><![CDATA[优化算法的简洁实现]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118568957</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118568957</guid><author>q923714892</author><pubDate>Thu, 08 Jul 2021 10:56:21 +0800</pubDate><description><![CDATA[动量法
思想：
动量法使用了指数加权移动平均的思想。它将过去时间步的梯度做了加权平均，且权重按时间步指数衰减。
代码：
在Gluon中，只需要在Trainer实例中通过momentum来指定动量超参数即可使用动量法。

d2l.train_gluon_ch7('sgd', {'learning_rate': 0.004, 'momentum': 0.9},
                    features, labels)

AdaGrad算法
思想：
AdaGrad算法在迭代过程中不断调整学习率，]]></description><category></category></item><item><title><![CDATA[卷积神经网络——各种网络的简洁介绍和实现]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118543879</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118543879</guid><author>q923714892</author><pubDate>Wed, 07 Jul 2021 12:11:38 +0800</pubDate><description><![CDATA[一，卷积神经网络（LeNet）
LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。
卷积层块里的基本单位是卷积层后接最大池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的最大池化层则用来降低卷积层对位置的敏感性。卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用 5×5 的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。这是因为第二个卷积层比第一个卷积层的输入的高和宽要小，所以增加输出通道使]]></description><category></category></item><item><title><![CDATA[访问模型参数，初始化模型参数，共享模型参数方法]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118518517</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118518517</guid><author>q923714892</author><pubDate>Tue, 06 Jul 2021 13:36:55 +0800</pubDate><description><![CDATA[一. 访问模型参数
对于使用Sequential类构造的神经网络，我们可以通过方括号[]来访问网络的任一层。回忆一下上一节中提到的Sequential类与Block类的继承关系。
对于Sequential实例中含模型参数的层，我们可以通过Block类的params属性来访问该层包含的所有参数。
下面，访问多层感知机net中隐藏层的所有参数。索引0表示隐藏层为Sequential实例最先添加的层。
net[0].params, type(net[0].params)

可以看到，我们得到了一个由参数名称映射到]]></description><category></category></item><item><title><![CDATA[PCA(主成分分析)思想及实现]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118518108</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118518108</guid><author>q923714892</author><pubDate>Tue, 06 Jul 2021 13:18:28 +0800</pubDate><description><![CDATA[PCA的概念：
PCA是用来实现特征提取的。
特征提取的主要目的是为了排除信息量小的特征，减少计算量等。
简单来说：
当数据含有多个特征的时候，选取主要的特征，排除次要特征或者不重要的特征。
比如说：我们要区分猫和狗。那么，猫和狗是否有胡子就变得尤为重要，这属于主要特征，但是猫和狗的颜色就变得不重要了，这就属于不重要特征了。但是当我们要区分猫的种类的时候，猫的颜色又变成主要特征了。这说明主要特征是相对的，而不是绝对的。而我们要保留那些对结果更重要的特征，减少不重要的特征，这就是主成分分析。
PCA的实现：
]]></description><category></category></item><item><title><![CDATA[opencv:卷积涉及的基础概念，Sobel边缘检测代码实现及卷积填充模式]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118490212</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118490212</guid><author>q923714892</author><pubDate>Mon, 05 Jul 2021 15:03:07 +0800</pubDate><description><![CDATA[具体参考我的另一篇文章：
opencv:卷积涉及的基础概念，Sobel边缘检测代码实现及Same（相同）填充与Vaild（有效）填充
这里是对这一篇文章的补充！
卷积—三种填充模式
橙色部分为image, 蓝色部分为filter。从左往右分别是：full、same、valid模式。

注意：这里的same还有一个意思，卷积之后输出的feature map尺寸保持不变(相对于输入图片)。当然，same模式不代表完全输入输出尺寸一样，也跟卷积核的步长有关系。same模式也是最常见的模式，因为这种模式可以在卷积过]]></description><category></category></item><item><title><![CDATA[直方图绘制与直方图均衡化实现]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118488906</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118488906</guid><author>q923714892</author><pubDate>Mon, 05 Jul 2021 14:57:27 +0800</pubDate><description><![CDATA[一，直方图的绘制
1.直方图的概念：
在图像处理中，经常用到直方图，如颜色直方图、灰度直方图等。
图像的灰度直方图就描述了图像中灰度分布情况，能够很直观的展示出图像中各个灰度级所
占的多少。
图像的灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数：其中，横
坐标是灰度级，纵坐标是该灰度级出现的频率。
（简洁来说：就是描述图像中各个灰度级的个数）

直方图反映了图像中的灰度分布规律。它描述每个灰度级具有的像素个数，但不包含
这些像素在图像中的位置信息。
图像直方图不关心像素所处的空间位置，因此]]></description><category></category></item><item><title><![CDATA[房价预测 search Search 中对数据预处理的学习]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118464711</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118464711</guid><author>q923714892</author><pubDate>Sun, 04 Jul 2021 17:31:30 +0800</pubDate><description><![CDATA[对于缺失的数据：
我们对连续数值的特征做标准化（standardization）：设该特征在整个数据集上的均值为 μ ，标准差为 σ 。那么，我们可以将该特征的每个值先减去 μ 再除以 σ 得到标准化后的每个特征值。对于缺失的特征值，我们将其替换成该特征的均值。
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
all_features[numeric_features] = all_features[]]></description><category></category></item><item><title><![CDATA[pandas合并concat&merge和plot画图]]></title><link>https://blog.youkuaiyun.com/q923714892/article/details/118439999</link><guid>https://blog.youkuaiyun.com/q923714892/article/details/118439999</guid><author>q923714892</author><pubDate>Sat, 03 Jul 2021 15:01:21 +0800</pubDate><description><![CDATA[3.6，3.7pandas合并concat&amp;merge
头文件：
import pandas as pd
import numpy as np

concat基础合并用法
df1= pd.DataFrame(np.ones((3,4))*0,columns = ['a','b','c','d'])
df2= pd.DataFrame(np.ones((3,4))*1,columns = ['a','b','c','d'])
df3= pd.DataFrame(np.ones((3,4))*2,col]]></description><category></category></item></channel></rss>