qq_40527427的博客

原创 ROI Pool、两次量化误差、ROI Align、双线性插值

https://www.sohu.com/a/414474326_823210https://www.cnblogs.com/linkr/p/3630902.html

原创 flask将模型部署为web service

步骤一：将图片转为base64编码http://tool.chinaz.com/tools/imgtobase/步骤二：运行代码import jsonimport base64import uuidimport osimport cv2from flask import Flask, requestfrom mmdet.apis import inference_detector, init_detector# 模型初始化model = init_detector(c.

原创 在服务器上训练的一些命令

ssh:ssh username@ip_addr-p port_numsftp:sftp -oPort=port_num username@ip_addrnohup:run.sh: python -u train.py > nohup.out 2>&1运行：nohup ./run.sh &若报错：nohup: failed to run command './run.sh': Permission denied解决方法：chmod a...

原创 数据集地址

VOC2012官网地址：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar镜像：https://pjreddie.com/projects/pascal-voc-dataset-mirror/

转载 pdf转换图片

pdf2image对于有些图片会失效，可以使用下述方法https://zhuanlan.zhihu.com/p/102742847

原创 设置豆瓣pip源

pip config set global.index-url https://pypi.douban.com/simple/

转载 Batch Norm和Layer Norm简记

转载 bert模型下载

https://www.cnblogs.com/jacen789/p/11020591.html

原创 cv2的一些操作

缩小图片使之处于屏幕内：# 宽、高width, height = 1920, 700img_width, img_height = img.shape[1::-1]# resizeratio = max(img_width / width, img_height / height)if ratio > 1: # 只将图片缩小，而不放大 img_width = int(img_width / ratio) img_height = int(img_height /

原创 hexo github教程

https://www.jianshu.com/p/1bcad7700c46

原创 cascade rcnn学习记录

faster rcnn：两个用到iou的地方（training阶段的正负例判定，inference阶段的mAP计算）rpn层training：对于rpn层输出的的2000个proposals，先以iou=0.5为界分成正负例，然后取得正负例总数为128（正负比例为1：3，随机采样）然后送入roi层，最后进行分类和回顾inference：rpn层输出300个proposals，进入roi层，再分类和回归mismatch问题：inference阶段比training阶段少了正负例划分的步骤（因为in

原创 一些说明文档

imgaug示例文档：https://imgaug.readthedocs.io/en/latest/index.html

原创 调用pycocotools计算mAP

from pycocotools.coco import COCOfrom pycocotools.cocoeval import COCOevalimport jsonfrom tempfile import NamedTemporaryFile# coco格式的json文件，原始标注数据anno_file = '/home/j_m/Desktop/val/val.json'coco_gt = COCO(anno_file)# 用GT框作为预测框进行计算，目的是得到detection_.

原创 keras.layers.Conv2D中的padding解析

池化层：“SAME”表示超过边界用0填充，使得输出和输入保持相同大小，“VALID”表示不超过边界，通常会丢失一些信息。If padding == "SAME": output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides[i])If padding == "VALID": output_spatial_shape[i] ...

原创 colab操作

挂载云盘：from google.colab import drivedrive.mount('/content/drive/')解压tar.xz文件!tar -xvJf /content/drive/My\ Drive/dataset/val/val.tar.xz

原创 从github仓库中clone单个文件夹

https://www.itsvse.com/downgit/#/home输入文件夹的url，即可下载

原创 如何在jupyter notebook中运行虚拟环境

1.打开Anaconda Prompt,输入conda env list 查看现有环境2.输入activate name（name是你想切换的环境）3.conda install ipykernel 安装必要插件4.python -m ipykernel install --name Name 将环境添加到Jyputer中（Name是此环境显示在Jyputer中的名称，所以步骤4是在虚拟...

转载 免费下载IEEE Xplore论文

转载自:https://blog.youkuaiyun.com/fkyyly/article/details/80397856#commentsedit方法如下:1.找到某篇文章:https://ieeexplore.ieee.org/document/7965747查询到DOI是:10.1109/SERA.2017.79657472.打开http://sci-hub....

原创 ubuntu配置cuda环境

1. 安装合适的显卡驱动2. 根据英伟达官网给出的命令安装cuda3. 下载相应版本的cudnn包，放到cuda安装路径中相应位置4. 配置环境

原创 tensorflow中遇到的问题

问题来源：class_table = tf.lookup.StaticHashTable(tf.lookup.TextFileInitializer( class_file, tf.string, 0, tf.int64, LINE_NUMBER, delimiter="\n"), -1)解析结果：tf.lookup.StaticHashTable( initializer, default_value, name=None)default_value表示...

原创 备忘

理解LSTM（解释原理，简单介绍了一些变种）：http://colah.github.io/posts/2015-08-Understanding-LSTMs/Momentum：Adam：

原创 神经网络（Neutral Network）

对于监督学习的分类问题，可以使用Logistic回归算法来拟合出适合的曲线，如果直线不能很好地满足需要，还可以将特征进行组合得到新的非线性特征值（如），从而拟合出含有许多非线性项的Logistic回归函数。但是，当特征数量非常多时，这种方法就会出现问题，例如，对于一张图片上是否有汽车，需要选取图上的每一个像素点作为特征值，假设图片有2500个像素，对于RGB图像则具有7500个特征值，对于这些特征...

原创 多类别分类（Multiclass Classification One-vs-all）

通过Logistic回归算法可以根据给定特征值分开两类不同事物，如良性肿瘤和恶性肿瘤、1和0、优质产品和非优质产品，但更经常出现的情况是不止两种类型的，如数字有0-9，产品品质有优、良、合格、不合格四种，那么针对这种多类别分类的情况该如何利用Logistic回归算法给出解决方案呢？我们知道sigmoid函数为： ...

原创 正规方程（Normal Equation）推导

正规方程作为处理回归问题的一种一步到位的方法，对于特征数不是很大的训练集简单且实用，它实质上是一种最小二乘法的应用，推导过程如下。首先，线性回归的代价方程为： 我们的目的是：得到这么一个向量，使得取最小值。已知条件：是一个凸函数。令： ...

原创 Logistic回归

Logistic回归是用于解决分类问题的一个常用算法首先来看logistic函数（也叫sigmoid函数）： 令，就得到了用于表示假设的方程： 由于只能取0或1，相...

原创 线性回归（Linear Regression）算法

问题：给定一个容量为，特征值个数为的训练集，即给定组样本，再给定一组新的，求。为了便于理解和运算，我们将训练集放入矩阵： 基本思路：假设(其中，为了便于后续的矩阵计算)，然后不断调整的值，使得达到最小，其中 ...

转载 Lambda表达式的拼接

https://blog.youkuaiyun.com/zhifeiya/article/details/68489089进行Lambda表达式动态拼接，不会出现以下报错：The parameter 'f' was not bound in the specified LINQ to Entities query expression...

原创 MySQL服务无法启动。服务没有报告任何错误。

MySQL安装地址：：https://dev.mysql.com/downloads/mysql/安装版本：mysql-8.0.11-winx64按照网上步骤进行安装，在进行到install步骤时，提示“MySQL服务无法启动。服务没有报告任何错误。”解决方法：不需要在解压缩目录下手动创建data文件夹，cd到mysql的bin目录下，复制粘贴以下命令并回车：mysqld --initialize...

原创 递归与迭代的简单比较 MIPS

递归的高级语言代码更简短，利于书写，且易于理解，可读性高。然而，递归的MIPS指令却更为复杂，原因如下：由于寄存器数量的限制，MIPS在每次调用下一层函数时，都需要将本层放在寄存器中的数据压栈保存（如本层的返回地址$ra），以空出寄存器给下一层函数使用。通俗地讲，寄存器就是公共资源，数量有限，当不用时需要放弃对其占有的状态，方便他人使用。当递归次数增多时，这样就大大增加了堆栈的压力，容易造成堆栈溢...

原创 滑动积木块问题——A*算法

关于规则：初始格局（黑黑黑白白白空），最终格局（白白白黑黑黑空），每次可以将滑块移入相邻空格，也可以跳过最多两个其他滑块进入空格。耗散值gn的计算：移入相邻空格gn=gn+1；跳过m个其他滑块进入空格gn=gn+m。评估值hn的计算：每个白块前黑块的数目之和，如初始格局hn为9，最终格局hn为0。关于算法：1. 在描述算法之前，首先阐述几个本程序中几个比较重要的“容器”。...

原创 传教士野人过河问题——所有方法打印

作为人工智能上机课的第一题，上网看了许多算法，最后根据自己的理解写出了一种比较简单易懂的方法。下面为简单分析。Ⅰ判断函数中判断为非法状态的情况①任何一边船的数目不为0且不为1；②任何一边野人或者传教士的人数小于0；③任何一边传教士人数不为0且传教士人数小于野人人数；④当前将要到达的状态在路程visit中出现过。Ⅱ递归函数这里的递归函数设置了三个形参：M，C，flag分别表示左岸传教士数、野人数和船...