qq_42820467的博客

原创 通义千问AI挑战赛赛后反思

【从80K个代码文档中收集了80K个初始种子片段，其中包括40K的Python，以及C++，Java，TypeScript，Shell，C#，Rust，PHP，和Swift各5K。初赛阶段主要聚焦在如何通过 SFT 提升基础模型的代码能力，需要选手基于最新开源的 Qwen 1.8 模型作为基础模型，上分的关键主要通过收集高质量的代码数据提升模型的在Python, JavaScript, Java, Go, C++, Rust六种编程语言的代码生成能力。这样也保证了构造数据的格式和测试集的格式一致。

原创 配置环境流程

1. 首先建立新环境 conda create -n ReID python=3.8移植环境 ：conda create -n BBB --clone 原名进入环境：source activate ReID退出环境：conda deactivate问题1：CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate’.To initialize your shell, run$

原创 Alignedreid项目源码分析

一个项目文件，首先要包括data_loader.py数据集类文件class SYSUData(data.Dataset):# class数据集名称（data是从torch.utils中导入的模块）#该类下一般有三个函数，初始化函数__init__、生成函数getitem和长度获取函数len；def init(self, data_dir,):1.该函数中一般是用来获取图像和标签的地址；地址的语法：./当前目录…/上级目录Windowsubuntu相对地址…/Dat

原创 c++小细节

输出的特殊字符cout<<end1 表示换行一些小的细节要让窗口一直打开，直到按下任何键，可在return前加上语句：cin.get()return 0；这条语句如果在main函数中不小心忘写时，不用担心，编译器到达main函数末尾时如果未发现会自动补上，但是其他函数并不适用这一点。快捷键...

原创 Transformer相关论文与知识总结

attentionseq2seq-models-with-attentionhttps://jalammar.github.io/visualizing-neural-machine-translation-mechanics-of-seq2seq-models-with-attention/Transformer在视觉领域的应用https://www.cnblogs.com/ziyuzhu-edward/p/14132194.htmltransformer模型结构http://jalammar

原创 树 做题总结（三）[429，525，116，117，104，111]层序遍历

429. N 叉树的层序遍历思路：层序遍历，对N叉树检测孩子时，不是直接调用左右了。直接判断有无子孩子，用extand函数追加列表，无需dui’hai注意：迭代和递归两种都要掌握代码：class Solution: def levelOrder(self, root: 'Node') -> List[List[int]]: if not root: return [] results = [] que = col

原创 树 做题总结（二）[513,102,107,199,637] BFS

513. 找树左下角的值思路：广度优先搜索，按层遍历，记录每层第一个，最后一层的第一个即为答案。两个条件，最左侧（第一个）和最后一层。注意：迭代和递归两种都要掌握代码：class Solution: def findBottomLeftValue(self, root: Optional[TreeNode]) -> int: # 层序遍历迭代法 # if not root: # return

原创 树做题总结（一）[j34,94,1372] DFS

34. 二叉树中和为某一值的路径思路：采用深度优先搜索的方式，枚举每一条从根节点到叶子节点的路径。当我们遍历到叶子节点，且此时路径和恰为目标和时，我们就找到了一条满足条件的路径。注意：在为叶子节点的前提下不断判断当前target是否等于路径和代码：class Solution: def pathSum(self, root: TreeNode, target: int) -> List[List[int]]: ret = [] path = []

原创 链表做题总结（六）[234]

234. 回文链表思路：快指针走到末尾，慢指针刚好到中间。其中慢指针将前半部分反转。然后比较注意：如何在利用快慢指针找中点的同时反转链表，注意两者互不影响就可以实现代码：class Solution: def isPalindrome(self, head: ListNode) -> bool: # 边界判断 if not head or not head.next: return True #

原创 链表做题总结（五）[148，206]

148. 排序链表思路：递归实现链表归并排序，具体步骤见代码注意：对于递归的理解还是不够透彻，可以将递归函数一直推算到极限，比如本题最终每个子链表分割到只有一个结点的时候，此时结合代码去思考。递归是一个套娃！递归到最小单位再思考怎么写代码，还要注意跳出递归的条件。在合并队列的时候，要秉承由小到大的原则，所以每循环一次只加一个节点，另一个节点还要继续参与比较。代码： # Definition for singly-linked list.# class ListNode:# def _

原创 链表做题总结（四）[143]

138. 复制带随机指针的链表思路：芜湖！！！这是我第一次思路完全正确，并且代码八九不离十！！！并且还是中等题，开心！找中间节点+反转后半段+拼接注意：循环条件还是把握不准，什么时候用 while cur,while cur.next,while cur.next.next我的代码刚开始会超时，但是我还是不明白为什么，和官方差不多呀，只是因为它把每一步包装成函数了代码： def reorderList(self, head: ListNode) -> None: """

原创 链表做题总结（三）[141,142,138]

138. 复制带随机指针的链表思路：采用哈希表进行两次遍历。第一次遍历将拷贝后链表的每个节点与原链表一一对应。第二遍遍历将哈希表中 value的next指针 指向cur的next节点在哈希表中对应的vaule注意：用get而不是map1[cur.next]。因为会到None代码：class Solution: def copyRandomList(self, head: 'Node') -> 'Node': if not head: return head

原创 链表做题总结（二）[86,92]

86.分割链表思路：将链表先分后合，分为较大的和较小的，每遍历到一个节点，确定添到哪个列表后面，最后两个链表首位相接注意：创建两个伪头节点；别忘了最终的尾节点的next指针设为空代码：class Solution: def partition(self, head: ListNode, x: int) -> ListNode: if (head==None or head.next==None):return head dummypre = ListN

原创 链表做题总结（一）[21,82,83]

21.合并两个有序列表思路：递归注意：判断边界情况代码：class Solution: def mergeTwoLists(self, l1: ListNode, l2: ListNode) -> ListNode: if not l1: return l2 if not l2: return l1 if l1.val < l2.val: l1.next=se

原创 链表专题（知识和技巧）

修改指针链表反转# 指针的修改class Solution: # 翻转一个子链表，并且返回新的头与尾 def reverse(self, head: ListNode, tail: ListNode, terminal:ListNode): cur=head.next pre=None while cur != terminal: ''' 注意这里，为什么是判断terminal,而不是ta

原创 nn.Linear和nn.BatchNorm1的维度问题

import torchimport torch.nn as nninput=torch.randn([32,49,768])l=nn.Linear(768,512)out=l(input)print(out.shape)# torch.Size([32, 49, 512])# l=nn.Linear(49,512)# mat1 and mat2 shapes cannot be multiplied (1568x768 and 49x512)# 说明了执行linear时，输入的cha

原创 Cross-Modal-Re-ID-baseline网络打印

embed_net( (thermal_module): thermal_module( (thermal): ResNet( (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False) (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)

原创 叶芒博士的多模态Baseline框架解析

参考论文：Visible Thermal Person Re-Identification via Dual-Constrained Top-RankingBi-Directional Center-Constrained Top-Ranking for Visible Thermal Person Re-IdentificationBaseline 采用Resnet50，由两个主要部分组成：用于特征提取的双路径网络（一条用于可见光图像，另一条用于热图像）和用于特征学习的双向双约束顶级损失。这里先

原创 Swin_transformer网络

# 打印出来的网络结构ft_net_swin( (model): SwinTransformer( (patch_embed): PatchEmbed( (proj): Conv2d(3, 128, kernel_size=(4, 4), stride=(4, 4)) (norm): LayerNorm((128,), eps=1e-05, elementwise_affine=True) ) (pos_drop): Dropout(p=0.0, in.

原创 多GPU训练保存的参数，单GPU的环境，KeyError: ‘base.conv1.weight‘

def load_param(self, model_path): param_dict = torch.load(model_path)# =============================================================================# for i in param_dict:# if 'fc' in i:# continue#

原创 CUDA error: CUBLAS_STATUS_NOT_INITIALIZED when calling `cublasCreate(handle)`

RuntimeError: [enforce fail at …\c10\core\CPUAllocator.cpp:75] data. DefaultCPUAllocator: not enough memory: you tried to allocate 50331648 bytes. Buy new RAM!pytorch:RuntimeError: CUDA error: CUBLAS_STATUS_ALLOC_FAILED when calling cublasCreate(handle)b

原创 pytorch中的gather函数

pytorch中的gather函数可以看成是将 input中的值进行挑选后赋给output，挑选规则为：output中的第i行第j列的的值是input中第Index(i,j)行，第j列的值，此时dim=0，相当于列不变;或者是第i行，第Index(i,j)列的值，此时dim=1。Index的维度与output相同。换一种思路，我们可以理解为根据我们想要的output,观察input,设计indexInput= 1 2 34 5 6我们希望 output= 1 26 4按行gather:D

原创 R3网络

原创 Simple online and realtime taking with a deep association metric(Deepsort)

原创 FCOS论文阅读

原创 Corner Net论文阅读

原创 Focal loss for dense object detection 论文阅读

原创 Objects as Points论文阅读

原创 知乎yolo系列学习笔记

一般分类模型简述：包括三部分：前向传播部分、损失函数部分和反向传播部分；输入为一张图片，通常我们用一个矩阵来表示。输出为一个one hot向量，代表目标属于哪一个类别。中间的过程通常为cbrp的叠加，最后加上全连接层（分类头或者决策层）。1.当一幅图像中有多个目标时，这时候我们如何输出多个目标的检测框，甚至在未知目标个数的时候。。这时考虑到将特征图划分区域，让每一个区域负责回归一个检测框。如果一个小区域存在多个目标时，可以考虑将区域划分的更细致，但这并不能从根本上解决问题。如何从这些区域的检测结果中

原创 yolo v3论文学习笔记

原创 yolo v2论文学习笔记

![在这里插入图片描述](https://img-blog.csdnimg.cn/20201013085603664.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM

原创 yolo v1论文学习笔记

原创 Deformable Convolutional Networks可变形卷积1、2学习笔记

原创 Cascade RCNN论文学习笔记

原创 SSD：single shot multibox detector论文学习笔记

原创 R-FCN论文学习笔记

原创 Squeeze and Excitation Networks阅读笔记

原创 faster RCNN学习笔记

输出feature map设计准则：偏移量的计算：tx=;ty=;tw=;th=训练网络：VGG之后加个ROIPooling,再加三个全连接测层和softmax,一个batch两个图片，只取正样本损失函数：L1loss:对outliers不敏感，是一个拼接的函数，但是在“断点”是连续的L2loss:误差均方和，对离群点较敏感，易产生梯度爆炸（这是一个改进点）分类：finetune：使一个统一的网络分阶段、多loss、具有记忆功能、用CNN相关模块实现ss算法将分类的思路与回归结合起

原创 Fast RCNN学习笔记

重点理解1.如何简化2000次的CNN?在RCNN中，通过SS算法提取2000个ROI区域，再将2000个ROI从原始图像中扣出并统一进行resize，最后通过2000个CNN提取特征;在fast rcnn中，利用convolution的位置对齐性，直接经过CNN提取特征，然后再在feature map上提取ROI区域。2.feature map上提取的ROI大小不同，如何送到全连接层进行分类？一般情况下，pooling用到的卷积核是固定的，大小为22,stride=2.。但是ROI大小不同，我

原创 Batch Normalization论文学习笔记