RIKI_1-优快云博客

原创【踩坑随笔】`npm list axios echarts`查看npm依赖包报错

查看npm依赖包出现以下报错，原因就是包的版本匹配问题，按照提示降axios版本或者自己升找合适的got版本，我这里是选择了降版本。安装过程一次性安装很容易出现包之间的依赖问题，最好按完后list检查一下。

2025-03-02 18:02:55 351

原创【踩坑随笔】npm install 下载报错证书问题，换源没用

【代码】【踩坑随笔】npm install 下载报错证书问题，换源没用。

2025-02-28 18:19:26 157

原创【踩坑随笔】Mask_RCNN基于服务器环境跑通Demo成功版

踩过的坑一个接一个，最后放弃在window环境下去尝试了，看到的大多有效的教程也都是ubuntu系统下的，鉴于我的电脑空间不够造了而且安双系统操作不当可能会导致本来的系统崩溃，所以干脆直接服务器租卡了，本文的环境亲测成功并且目前跑通Demo很顺利没有什么坑，记录一下仅供参考。

2024-10-25 17:36:42 824 2

原创【踩坑随笔】error: no instance of overloaded function “atomicAdd“ matches the argument list

仅支持计算能力 7.x 及更高版本的设备。：仅支持计算能力 8.x 及更高版本的设备。CUDA文件大概率跟cuda有关，于是到。接下来探索一下为什么编译出来报错的是。于是我首先确认了一下算力，参考这篇。

2024-10-25 17:29:14 622

原创【踩坑随笔】MaskRCNN的Demo运行结果为No instances to display

环境配好后，把代码项目git克隆到本地（直接打包下载也行），在IDE打开Mask_RCNN文件夹numpy在1.20版本之后就弃用np.bool了，我们安装的版本为numpy1.23.4，所以要把代码中的np.bool改成np.bool_找到mrcnn文件夹下的model.py，把第1274行、1329行的np.bool改成np.bool_找到mrcnn文件夹下的utils.py,把第533、551、571、574行的np.bool改成np.bool_同理coco.pyncleus.py里的。

2024-10-23 23:16:50 444

原创【踩坑随笔】win11基于Tensorflow2.5GPU版跑通MaskRCNN的Demo纯小白版

本段是碎碎念吐槽不喜欢可以直接跳过本段看后面的部分或直接划走，最近在学实例分割，小白入门，但是找到的教程啥的环境都很旧，虽然可以建虚拟环境但是还要适配CUDA版本真的很麻烦（不得不吐槽tensorflow和Pytroch版本的兼容性，已经安了无数个CUDA版本了切来切去也不知道哪天会崩），甚至CUDA驱动也有可能不适配，如果不按官方代码的环境版本那么结果就有可能环境的坑一个接一个，小白的天崩开局。。。。舍得花钱就直接在服务器上配确实方便很多，服务器版教程可以移步这篇。

2024-10-22 01:23:25 734

原创【踩坑随笔】安装pytorch报错PackagesNotFoundError: The following packages are not available from current channe

解决方案，这里我的cuda版本是11.2，请自行对应自己的版本修改~命令安装pytorch出现了如下报错。

2024-10-18 21:01:01 368

原创【踩坑随笔】ubuntu18.04 安装vscode安装不上

开始按照下载安装包然后右键用软件管理打开的方式，但是点了下载有进度条满了之后又回到了下载页面，总之这个路子就是安不上，试了好几个安装包版本都不行。真服了，打开的vscode找不到终端，而且只要重新打开ubuntu就又找不到vscode了。在终端输入code就会打开vscode了。，然而结果就是并没有什么用。然后尝试用命令行安装的方式。

2024-10-18 17:35:01 780 1

原创【踩坑随笔】按照常规操作安装VMware tools之后还是无法复制粘贴的最简解决方案

（还是不行的话就是没安成功要注意看中间有没有报错，把报错解决掉还是不行那骂它一顿再继续找别的教程，祝你成功。安装完还是没法复制粘贴，然后就找了别的教程，我用这个方法是简单好使的。ubuntu18的版本，我按照这篇。就行，安完后重启就可以用了。然后安装vmtools。

2024-10-18 16:15:59 500

原创【踩坑随笔】Tensorflow-GPU训练踩坑

试了改小batch_size并没有用。暂时没找到解决方法，初步断定就是显存不够，但是换了24G显存的卡出了新问题，直接卡在epoch1，不报错也不继续，后台程序挂起，GPU利用率为0，试遍了都没找到解决方案，解决了再来更新。一个无语的坑，4060单卡训练，8G内存本来就不够，还没开始训练就已经爆内存了，但是居然正常跑完了训练，然后一推理发现结果就是一坨。利用率终于不是0了！但是好像还是没解决根本问题，运行结果跟之前一模一样。最坑的来了，OOM了但是还是能正常训练完，但是结果保存的权重必然是有问题的。

2024-10-17 20:47:46 424

原创【踩坑随笔】Failed to build pycocotools

配Mask-RCNN环境在安pycocotools时遇到如下报错。

2024-10-13 21:42:37 324

原创【踩坑随笔】Mask-RCNN 报错ValueError: Input image dtype is bool. Interpolation is not defined with bool data

先做个记录，不确定对训练结果是否有影响，如果还有坑后续会再更新。然后我的代码可以正常训练了，但是会出现以下警告。

2024-10-09 17:40:21 291

原创【人工智能学习】8_人工智能其他通用技术

搭建知识图谱的核心就在于对业务的理解以及对于知识图谱本身的设计；设计离不开对业务的深入理解以及对未来业务场景变化的预估；

2024-09-19 18:05:49 1646

原创【人工智能学习笔记】7_智能语音技术基础

声道：录制声音时，在不同的空间位置采集的相互独立的音频信号。声道数也就是声音录制时的音源数量。常见的音频数据为单声道或双声道（立体声）比特率：数据传输单位时间内传输的数据位数，也就是每秒的传输速率。比特率越高，传送数据速度越快。音频采样率：音频采样率是指录音设备在一秒钟内对声音信号的采样次数，采样频率越高，传送数据速度越快。音频采样位数：采样值或取样值，即是将采样样本幅度量化。用来衡量声音波动变化的参数，或是声卡的分辨率。数值越大，分辨率越高，发出声音的能力越强。

2024-09-19 16:10:53 1846

原创【人工智能学习笔记】6_自然语言处理基础

文本分类技术能够对文本按照一定的分类标准进行自动分类标记；机器自动化标注的文本数据具有一致性、高质量等特点；利用待分类数据的特征与类别进行匹配，选择最优的匹配结果作为分类结果。文本分类实现流程文本分类从给定的标签集合中自动地给文本打标签，应用广泛。文本分类技术的应用场景如下：邮件属性分类：判断是否为垃圾邮件；检测邮件类别；广告内容审核：判断是否为广告；判断是否为灌水评论；判断内容是否违规；新闻分类推送：判断新闻类别；按类别推送新闻。互联网用户生产的带有主观性的文本有助于制定决策；

2024-09-15 19:55:30 947

原创【人工智能学习笔记】5 计算机视觉基础

又称为数码图像或数位图像是用一个数字矩阵来表达客观物体的图像；是由模拟图像数字化得到的；是一个离散采样点的集合，每个点具有其各自的属性；是以像素为基本元素的图像；可以用数字计算机或数字电路存储和处理的图像。

2024-09-11 20:21:01 1557

原创【人工智能学习笔记】4_4 深度学习基础之生成对抗网络

一种深度学习模型，通过判别模型（Discriminative Model）和生成模型（Generative Model）的相互博弈学习，生成接近真实数据的数据分布或对输入数据进行分类；近年来复杂分布上无监督学习最具前景的方法之一。

2024-09-10 17:45:45 594

原创【人工智能学习笔记】4_3 深度学习基础之循环神经网络

是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neural network），循环神经网络具有短期记忆能力。

2024-09-10 16:00:52 1395

原创 [【人工智能学习笔记】4_3 深度学习基础之卷积神经网络

卷积神经网络（Convolutional Neural Network, CNN）一种带有卷积结构的深度神经网络，通过特征提取和分类识别完成对输入数据的判别；在1989年提出，早期被成功用于手写字符图像识别；2012年更深层次的AlexNet网络取得成功，伺候卷积神经网络被广泛应用于各个领域。

2024-09-09 18:40:36 1013

原创【人工智能学习笔记】4_2 深度学习基础之多层感知机

激活函数是一种在人工智能神经网络的神经单元上运行的函数，旨在帮助网络学习数据中的复杂模式，负责将神经元节点的输入映射到输出端常见激活函数：Sigmoid函数、Tanh函数、ReLU函数等等。

2024-09-09 15:49:17 974

原创【人工智能学习笔记】4_1 深度学习基础之深度学习概述

深度学习框架的选择往往需要考虑多方面的因素，如学习门槛、上手难度、开发速度、易用性等。

2024-09-08 16:20:12 850

原创【人工智能学习笔记】3_2 机器学习基础之机器学习经典算法介绍

定义：逻辑回归是一种广义线性回归，在线性回归的基础上添加非线性变换，使得逻辑回归输出值为离散值任务类型：分类应用场景：学生考试成绩预测、雾霾天气预测回归任务示例定义：将样本数据升维，使低维非线性可分变为高维线性可分常见的核函数线性核函数径向基核函数多项式核函数Sigmoid核函数。

2024-09-08 13:56:51 820

原创【人工智能学习笔记】3_1 机器学习基础之机器学习概述

定义：通过技术的手段，利用已有的数据（经验）开发可以用来对新数据进行预测的模型主要方向：1.基于学习方式的划分；2.基于学习策略的划分基于学习方式的划分：根据输入的数据是否需要进行标注进行划分有监督学习有监督学习的过程输入数据：为“训练数据”，每组训练数据有明确标识学习过程：将预测过程与“训练数据”的实际结果进行比较，不断调整预测模型，直到模型预测结果达到一个预期的准确率应用场景：分类、回归。

2024-09-07 16:53:06 665

原创【人工智能学习笔记】2_数据处理基础

概念：通过分类、画框、标注等对语音、图片、文本数据进行处理。提高训练的准确度标注分类：语音标注、图片标注、文本标注等具体方法：通过画框描点等方法对数据打标签，给后续处理提供训练信息应用场景：语音识别、无人驾驶、证件识别等场景重要性：准确性、数量影响数据集的质量。

2024-09-07 14:38:25 327

原创【人工智能学习笔记】1_人工智能基础

感知、记忆与思维、学习与适应能力人工智能的定义明斯基：“人工智能是一门科学，是使机器做那些人需要通过智能来做的事情”尼尔森：“人工智能是关于知识的科学”人工智能作为一门学科，是研究、开发用于模拟、延伸和拓展人的智能的理论、方法、技术及应用系统的一门新的技术科学，研究范围包括：机器人、语言识别、图像识别、自然语言处理等…人工智能的历史人工智能的三大学派符号主义学派连接主义学派/仿生学派/生理学派行为主义学派/进化主义/控制论学派人工智能的研究目标。

2024-09-06 18:02:09 827

原创【浅学】大模型（科普向_持续更新中）

大模型是指具有数千万甚至数亿参数的深度学习模型。当我们提及大模型时，通常指的是大语言模型（Large Language Model，简称LLM），即文字问答模型，其典型代表便是OpenAI的GPT系列。然而，随着技术的日新月异，大模型已经不单单局限于自然语言处理（Natural Language Processing）领域的发光发热，而是逐渐渗透到了其他多个领域。

2024-04-14 17:23:17 1960

原创【趣味学算法】16_递归练习

我们宿舍买了一箱薯片，第一天吃掉了其中一半后又多吃了一包(且不存在吃半包的情况)，第二天照此方法吃完剩下的一半后又多吃一包，每天如此，直到第 10 天早上，发现只剩下一包薯片了。这里可以直观的看出往里套了九层，而fun(1)也算一次调用，所以总共是10次调用，如果想通过代码知道这个递归调用了几次该怎么实现呢。第二天吃掉第一天的一半就是5包，然后额外加1包，就是吃了6包，还剩4包：4=10 -（10/2+1）第三天吃掉第二天的一半就是2包，然后额外加1包，就是吃了3包，还剩1包：1=4-（4/2+1）

2024-04-11 12:09:41 1003

原创【动手学深度学习】15_汉诺塔问题

首先考虑A座最下面的盘子移动到C座，如果能将上面的63个盘子从A座借助C座移到B座，再将63个盘子从B座借助A座移到C座，那任务即可完成，以此类推~直到仅有一个盘子的情形，则将一个盘子从一个座移动到另一个座，问题也就全部得到解决。由以上描述我们可以知道递归算法的一些特征，为了求解规模为 N 的问题，应先设法将该问题分解成一些规模较小的问题，从这些较小问题的解可以方便地构造出大问题的解。同时，这些规模较小的问题也可以采用同样的方法分解成规模更小的问题，并能从这些规模更小的问题的解中构造出规模较小问题的解。

2024-04-10 19:53:34 554

原创【趣味学算法】14_梅森素数

那么让我们来验证验证歌德巴赫猜想对 2333 以内的正偶数都是成立的，即2333以内的不小于4的正偶数都能够分解为两个素数之和，实现思路当然也很简单啦就是将整数分解为两个正整数，再判断这两个正整数是否都为素数，输出最小的一组分解结果即可代码实现如下。哥德巴赫猜想（Goldbach’s conjecture）是数论中存在最久的未解问：用现代的数学语言，哥德巴赫猜想可以陈述为：任一大于 2 的偶数，都可表示成两个素数之和。都是梅森素数，n 为 2，3，5，7 时，结果都是梅森素数，但是当 n 为 11 时，

2024-04-09 15:29:10 1079

MaskRCNN基于tensorflow2.5gpu版源码

机器学习入门课程ppt

空空如也