<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_41198463的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_41198463</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_41198463]]></copyright><item><title><![CDATA[heatmap可视化]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/111372721</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/111372721</guid><author>qq_41198463</author><pubDate>Fri, 18 Dec 2020 15:40:52 +0800</pubDate><description><![CDATA[def restore_rgb_img(batch_img, mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]):
    """
    restore the rgb img
    Args:
        batch_img: rgb image with normalization, shape= (batch_size, num_frames, C, H, W)
        mean:      params to restore ]]></description><category></category></item><item><title><![CDATA[matplotlib 可视化]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/109579209</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/109579209</guid><author>qq_41198463</author><pubDate>Mon, 09 Nov 2020 15:55:54 +0800</pubDate><description><![CDATA[import numpy as np
import matplotlib.pyplot as plt
import scipy.io as scio

def load_mat_file():
    map_data = '../query_gallery_compar/map.mat'
    rank1_data = '../query_gallery_compar/rank1.mat'
    data_map = scio.loadmat(map_data)
    data_rank1 = sc]]></description><category></category></item><item><title><![CDATA[深度学习知识点总结]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/109008211</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/109008211</guid><author>qq_41198463</author><pubDate>Sun, 11 Oct 2020 10:45:51 +0800</pubDate><description><![CDATA[卷积层
卷积核与输入图片相对应位置进行乘积，最后相加得到输出feature map的对应的值。有多少个卷积核输出的feature map的channel数量就是多少。
作用：

提取特征
提供位置信息
减少参数个数（设置大的步长）

常用的卷积：
3X3 1X1， VGG中提出用小的卷积来代替大的卷积，可以减少参数量，同时的到相同的感受野。比如：3个3X3感受野与一个7X7相同，2个3X3感受野与一个5X5感受野相同。
1X1 卷积比较特殊，他的作用：

对通道数进行升维降维，实现跨通道的融合。
在保证fe]]></description><category></category></item><item><title><![CDATA[优化器介绍]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/108974101</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/108974101</guid><author>qq_41198463</author><pubDate>Fri, 09 Oct 2020 14:07:44 +0800</pubDate><description><![CDATA[优化器（Optimizer）
本文主要参考：https://blog.youkuaiyun.com/weixin_41417982/article/details/81561210
Gradiend Descent（梯度下降）
梯度下降算法是将所有数据集都载入，计算他们所有的梯度，然后执行决策，（沿着梯度下降最快的方向进行更新）。
优缺点：可以快速进行下降收敛，但是要计算所有的梯度，计算量太大，数据集过大，GPU无法计算，除此之外，如果是凸函数，则可以收敛到最小值，其他情况下，可能会遇到局部最小值的情况	。
Stoch]]></description><category></category></item><item><title><![CDATA[YoloV3改进和优化]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/108962050</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/108962050</guid><author>qq_41198463</author><pubDate>Thu, 08 Oct 2020 14:45:43 +0800</pubDate><description><![CDATA[YoloV3 的改进和优化
本文主要是参考YoloV4 和 pp-Yolo 来谈一下自己的感受，如有不正确地方欢迎各位指正。
PP- YOLO:https://blog.youkuaiyun.com/weixin_44936889/article/details/107560168
1.数据增强
可以采用Mosaic的方法，Mosaic是将四张图片按照一定比例拼接成一张图片，这样可以使模型可以在更小的范围内识别对象，并且，大的Batch Size会使模型的训练效果更好，Mosaic增加了模型的Batch Size的大小]]></description><category></category></item><item><title><![CDATA[YoloV3]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/108948029</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/108948029</guid><author>qq_41198463</author><pubDate>Wed, 07 Oct 2020 10:38:20 +0800</pubDate><description><![CDATA[YoloV3
Yolo V3 主要改进点（相对于YoloV2）：

采用了新的残差结构，YoloV2中也引入了残差结构（reorg）,与YoloV2不同，YoloV3主要采用的是类似于resnet中的残差机构，不同的是YoloV3去掉了最后一个1X1的卷积层，如下图：


2. YoloV3采用了多尺度训练的方法，共有三个输出，输出的feature map分别为13X13, 26X26, 52X52,分别用来检测大中小三种不同大小的物体，每个feature map都拥有三个不同尺度的anchors, （an]]></description><category></category></item><item><title><![CDATA[Roi pooling,Roi Align,Precise Roi pooling]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/107684076</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/107684076</guid><author>qq_41198463</author><pubDate>Thu, 30 Jul 2020 15:13:14 +0800</pubDate><description><![CDATA[为什么要使用ROI pooling？
在RCNN中，整体流程是：先在原图中截取大约2K个region proposals 然后送入CNN网络进行训练，训练完成后用分类器进行分类，完成物体的检测。
但是这个结构会出现问题：

产生大量的region proposals 会导致performance problems，很难达到实时目标检测。
在处理速度方面是suboptimal。
无法做到end-to-end training

因此为了改善这种情况，引出了ROI pooling ，ROI pooling层能够]]></description><category></category></item><item><title><![CDATA[deeplabV3+]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/107554479</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/107554479</guid><author>qq_41198463</author><pubDate>Fri, 24 Jul 2020 10:27:00 +0800</pubDate><description><![CDATA[deeplabV3+
deeplabV3+主要运用了Encoder-Decoder结构
主要包括三个结构：
1.backbone
2.aspp
3.deconder
其中前两项称为Encoder

上图对于整个过程画的特别清楚，自我感觉很容易进行理解。
deeplabV3 运用了膨胀卷积，在保证图像大小不变的情况下，增大了图片的感受野。

Backbone  我采用的resnet101， 如上图所示，在图像缩小为16倍后，运用膨胀卷积在保证图片大小不变，感受野却继续增大。（注意：语义分割中，更深的层数决定图]]></description><category></category></item><item><title><![CDATA[FCN全卷积神经网络]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/107553526</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/107553526</guid><author>qq_41198463</author><pubDate>Fri, 24 Jul 2020 09:47:40 +0800</pubDate><description><![CDATA[全卷积神经网络
通常的CNN网络在卷积层后会接上若干个全连接层，将卷积层映射称为一个固定长度的特征向量，比如在Imagenet模型中最后输出的就是一个1000维的向量来表述，得到的是预测不同的维度的概率。

FCN 是对图像进行像素级的分类，解决了语义级别的图像分割。
传统的CNN 接受的图像尺寸大小是固定的，FCN可以接受任意尺寸的输入图像，并且采用反卷积对卷积层进行上采样，使图像恢复到原来图像的尺寸大小，从而对每个像素都进行了预测。
FCN与传统的区别是将全连接改成了全卷积，是最后得到的输出结果是一张l]]></description><category></category></item><item><title><![CDATA[resnest]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/107552877</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/107552877</guid><author>qq_41198463</author><pubDate>Fri, 24 Jul 2020 09:06:12 +0800</pubDate><description><![CDATA[创新点
提出残差结构，传统的神经网络在传递信息时会产生信息丢失，也会导致梯度爆炸或消失。ResNet在一定程度上解决了这个问题，通过直接将输入信息绕道传到输出，保护信息的完整性，整个网络只需要学习输入、输出差别的那一部分，简化学习目标和难度。从旁路引出一条路到输出也称为shortcut 或者 skip connections.
resnet 有不同的网络层数，分别是18,34,50,101,152。

其中18  34 层和 50， 101 ，152 层所用的结构有些不同。

注意在残差结构，旁之路引出的输]]></description><category></category></item><item><title><![CDATA[windows下 上传pypi包]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/107465658</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/107465658</guid><author>qq_41198463</author><pubDate>Mon, 20 Jul 2020 16:10:14 +0800</pubDate><description><![CDATA[建立一个如下图所示的结构：
其中LaneDetection22 里面放的是自己的源代码，文件夹名字可以随意修改，

LISANCE 是许可文件，（不明白有啥用）
README.md 是自己包的说明文件
setup.py 内容如下， name 后面的名字跟之前文件夹的名字相同。

在调试代码的时候，要重新打开一个pycharm 根目录为LaneDetection22,， 在这里面调试运行自己的代码，代码确定没问题。
打开cmd  进入setup文件所在的目录下（即xiangmu_wee9）
注意要安装twin]]></description><category></category></item><item><title><![CDATA[交叉熵 与 softmax]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/107145828</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/107145828</guid><author>qq_41198463</author><pubDate>Mon, 06 Jul 2020 00:17:04 +0800</pubDate><description><![CDATA[交叉熵损失函数原理讲解
相关信息
信息熵 ， 相对熵（KL散度），交叉熵
KL散度 = 交叉熵 - 信息熵
线性回归问题 loss函数一般选择MSE ， 分类问题loss函数一般选择交叉熵。
公式以及解释：
交叉熵损失函数原理讲解
交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度，在机器学习中就表示为真实概率分布与预测概率分布之间的差异。交叉熵的值越小，模型预测效果就越好。
交叉熵在分类问题中常常与softmax是标配，softmax将输出的结果进行处理，使其多个分类的预测值和为1，再通过交叉熵来]]></description><category></category></item><item><title><![CDATA[VGG神经网络]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/106311692</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/106311692</guid><author>qq_41198463</author><pubDate>Sun, 24 May 2020 10:54:56 +0800</pubDate><description><![CDATA[VGG神经网络的特殊之处
第一次使用多个小的卷积核 来代替大的卷积核，两个3 * 3代替一个5 * 5， 三个3 * 3代替7 * 7。
使用多个小的卷积核可以有效地降低神经网络所需要的的参数。
并且并没减少图片的感受野。
唯一的不足是，在进行反向传播时，中间的卷积层可能会导致占用更多的内存。
感受野计算公式：P(i+1)=Pi + (kernel - 1 )stride   默认P1 = 1  Pi为第i层感受野的大小。
eg: 5 * 5 所需要的参数个数为：55 *C=25C	  两个3 * 3 所需]]></description><category></category></item><item><title><![CDATA[python 自带数据对糖尿病病人线性分析]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/105823848</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/105823848</guid><author>qq_41198463</author><pubDate>Tue, 28 Apr 2020 21:07:11 +0800</pubDate><description><![CDATA[线性分析
"""
	使用sklearn自带的糖尿病数据集，进行回归分析
	Diabetes：包含442个患者的10个生理特征（年龄，性别、体重、血压）和一年以后疾病级数指标
"""
from sklearn import datasets
from sklearn import linear_model
from sklearn.model_selection import train_test_...]]></description><category></category></item><item><title><![CDATA[python3.7 调用股票数据，对股票趋势进行分析]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/105823120</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/105823120</guid><author>qq_41198463</author><pubDate>Tue, 28 Apr 2020 21:02:44 +0800</pubDate><description><![CDATA[股票趋势分析
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.graphics.api as smg
import patsy
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
fro...]]></description><category></category></item><item><title><![CDATA[算法：求取不包含最小正整数]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/105822988</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/105822988</guid><author>qq_41198463</author><pubDate>Tue, 28 Apr 2020 20:32:31 +0800</pubDate><description><![CDATA[求取序列中不存在的最小正整数
基本思想
	把数字按照对应的顺序放到指定位置，比如：[4  5  2  6  8  1  2]

将4放在第四个位置，5放在第五个位置，因为一共有7个数，所以将其他数字排完之后数字8放在最后一个位置。
def min_numbers(nums):
	#数字进行按位置排序
    for i in range(len(nums)):
        while 0 &l...]]></description><category></category></item><item><title><![CDATA[简单对话机器人]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/105822826</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/105822826</guid><author>qq_41198463</author><pubDate>Tue, 28 Apr 2020 20:24:23 +0800</pubDate><description><![CDATA[对话机器人
import random
# 定语从句语法
grammar = '''
战斗 =&gt; 施法  ， 结果 。
施法 =&gt; 主语 动作 技能 
结果 =&gt; 主语 获得 效果
主语 =&gt; 张飞 | 关羽 | 赵云 | 典韦 | 许褚 | 刘备 | 黄忠 | 曹操 | 鲁班七号 | 貂蝉
动作 =&gt; 施放 | 使用 | 召唤 
技能 =&gt; 一骑当千 | 单刀...]]></description><category></category></item><item><title><![CDATA[暴力穷举和梯度下降 进行直线拟合]]></title><link>https://blog.youkuaiyun.com/qq_41198463/article/details/105750336</link><guid>https://blog.youkuaiyun.com/qq_41198463/article/details/105750336</guid><author>qq_41198463</author><pubDate>Sat, 25 Apr 2020 16:28:31 +0800</pubDate><description><![CDATA[暴力穷举拟合曲线
import numpy as np
import matplotlib.pyplot as plt

#随机生成X Y
x = np.array([1,2,3,4,5])
y = np.array([1,3,2,3,5])
plt.scatter(x,y)
plt.grid()
#plt.show()

# MAE :Mean Absolute Error
# 平均绝对误差是绝...]]></description><category></category></item></channel></rss>