- 博客(97)
- 收藏
- 关注
RSS订阅原创 Ubuntu利用docker将ONNX模型转换为RK3588模型
Docker通过Linux命名空间实现隔离、Cgroups实现资源控制、UnionFS实现高效存储，三者协同构建了轻量级、高性能的容器化解决方案。其核心价值在于用“集装箱”思维标准化软件交付流程，使开发、测试、运维的协作效率发生质变。想要深入实践，可从启动第一个容器开始体验。
2025-04-10 21:55:46
407
原创 利用WSL将ONNX模型转换为RKNN模型
由于WSL与windows公用一个文件系统，其他盘的文件是挂载上去的。cd /mnt/你的盘号/你的文件路径。
2025-03-10 20:47:38
325
原创 ML27_V-结构与D-分离
V-结构（又称碰撞节点、对撞节点）是贝叶斯网络中的一种特殊拓扑结构，由三个节点组成，中间节点是两个父节点的共同子节点，形如：
2025-03-10 15:17:39
1030
原创 ML26_贝叶斯网络及结构学习综述
贝叶斯网络(bayesian network)又称信念网络(belief network)，由2011年图灵奖获得者Judea Pearl提出。贝叶斯网络是一种用于计算复杂逻辑、推理因果关系中模糊概率的图模型，能够表示随机变量以及变量间的依赖关系。其以因子分解的方式定义了联合概率分布的数据结构，并且给出了这个分布中一系列的条件独立假设。贝叶斯网络的组成分为两部分，其拓扑结构是一个有向无环图，以及条件概率表（CPT）。其中节点表示随机变量，有向边表示他们之间的条件概率依赖关系。
2025-03-06 13:26:30
1079
1
原创 ML25_置信区间、预测区间与容差区间
https://bilibili.com/video/BV1mK4YewEiE/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-12-10 11:01:13
635
1
原创 ML24_玻尔兹曼机
https://www.bilibili.com/video/BV1gTpYeoEtZ/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-12-09 16:30:29
858
原创 45_diffusion模型原理详解
https://bilibili.com/video/BV1re4y1m7gb/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-12-06 16:57:09
782
原创 44_变分自编码器VAE详解
https://www.bilibili.com/video/BV1Ns4y1J7tK/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-12-06 16:16:06
964
原创 44_变分自编码器VAE详解
https://www.bilibili.com/video/BV1Ns4y1J7tK/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-12-04 15:58:04
196
原创 ML23_变分推理Variational inference
https://www.bilibili.com/video/BV1Gs4y157BU?spm_id_from=333.788.recommend_more_video.-1&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-12-04 14:36:22
811
原创 43_GAN网络详解(3)---GAN的应用
https://www.bilibili.com/video/BV17r4y167Bz?spm_id_from=333.788.player.switch&vd_source=7dace3632125a1ef7fd32c285eb2fbac&p=4
2024-12-03 21:17:22
1332
原创 42_GAN网络详解(2)---常见的GAN
https://www.bilibili.com/video/BV17r4y167Bz?spm_id_from=333.788.videopod.episodes&vd_source=7dace3632125a1ef7fd32c285eb2fbac&p=3
2024-12-03 20:51:40
997
原创 41_GAN网络详解(1)
https://www.bilibili.com/video/BV16a4y157sC/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-11-26 21:14:20
1096
原创 40_U²-Net网络详解
https://www.bilibili.com/video/BV1yB4y1z7mj?spm_id_from=333.788.videopod.sections&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-11-25 16:31:20
1026
原创 39_膨胀卷积（空洞卷积）
https://www.bilibili.com/video/BV1Bf4y1g7j8/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-11-25 15:43:36
1453
原创 38_转置卷积
https://www.bilibili.com/video/BV1mh411J7U4/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-11-24 22:48:41
548
原创 37_U-Net网络详解
https://www.bilibili.com/video/BV1Vq4y127fB/?spm_id_from=333.999.0.0
2024-11-24 21:34:10
1955
原创 CV22_语义分割基础
https://www.bilibili.com/video/BV1ev411P7dR?spm_id_from=333.788.videopod.sections&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-11-24 20:49:33
923
原创 ML21_概率增益和Molchan检验
在地震预测领域中，概率增益（Probability Gain）是一种用于评估预测模型性能的指标，通常用于衡量某一预测模型相对于无信息模型（例如假设所有区域具有相同地震发生概率的模型）的改进程度。概率增益反映了预测模型在对特定区域发生地震的概率进行估计时的准确性提升。具体来说，可以表示为预测模型在区分地震事件发生区域与非发生区域时的能力增强。高概率增益意味着模型能够更好地集中预测地震发生的区域，而不是在所有区域中均匀分布概率，从而提高了预测的精确度。在地震预测研究中，通常会比较和，以确定模型的效果。
2024-09-18 20:17:15
1132
2
原创 ML20_贝叶斯模型平均BMA详解
较小的AIC值意味着更好的模型拟合。贝叶斯模型平均提供了一种不同的方法，它通过考虑所有可能模型的贡献来进行预测和参数估计，而不是仅仅依赖于一个选定的模型。具体来说，BMA利用贝叶斯理论中的原理，为每一种可能的模型分配一个权重，这个权重反映了该模型为真实数据生成过程的概率。在BMA中，对于一个特定的参数或者对未来观测的预测，结果是所有模型预测的加权平均，权重就是各个模型的后验概率。在BPT模型中，地震的复发被视为一个布朗运动过程的一部分，其中地震的发生对应于布朗运动达到一个特定阈值的时间点。
2024-09-11 15:18:44
2732
1
原创 ML19_GMM高斯混合模型详解
https://www.bilibili.com/video/BV1aE411o7qd?p=66&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-09-08 22:02:01
1520
原创 ML18_EM(Expectation-Maximization)算法详解
https://www.bilibili.com/video/BV1aE411o7qd?p=62&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-09-06 20:14:44
625
原创 ML17_变分推断Variational Inference
https://www.bilibili.com/video/BV1aE411o7qd/?p=71&spm_id_from=pageDriver&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-09-04 20:04:56
639
原创 ML16_转移矩阵、平稳分布和详细平衡条件
马尔可夫链的状态转移矩阵是一个用来描述系统从一个状态转移到另一个状态的概率的矩阵。具体来说，在一个具有有限状态空间的马尔可夫链中，状态转移矩阵 P 是一个方阵，它的元素 pij 表示从状态 j转移到状态 i的概率。对于一个包含 n个状态的马尔可夫链，状态转移矩阵 P 可以表示为如下形式：状态转移矩阵在马尔可夫链中非常重要，因为它不仅定义了系统状态变化的方式，还允许我们预测系统的长期行为，比如找到系统在长时间运行后的稳定状态（平稳分布）。
2024-09-03 18:55:49
910
原创 小论文写作——02：编故事
https://www.bilibili.com/video/BV1Pp4y1E7aE/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-08-14 19:00:33
372
原创 小论文写作——01：扫盲
https://www.bilibili.com/video/BV1mw4m1y78u/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-08-11 21:25:11
362
原创 36_FCOS网络详解
https://www.bilibili.com/video/BV1G5411X7jw/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-07-31 14:54:10
1472
原创 重构大学数学基础_week06_泊松分布
泊松分布是二项式分布的极端情况，即事件发生概率P非常小极限趋于0，事件数n非常大极限趋于无穷。利用求极限的知识进行计算即可从二项式分布推导出泊松分布的公式。任何两个非重叠的时间区间（或空间区域）内的事件是相互独立的。在一个足够小的时间区间（或空间区域）内，事件发生一次的概率是常数，而发生两次或以上的概率可以忽略不计。在一个小的时间区间（或空间区域）内，事件发生的概率与该区间的长度成正比。
2024-07-28 19:58:57
1162
原创 ML15_马尔可夫蒙特卡罗MCMC算法
https://www.bilibili.com/video/BV1xW4y147SK/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-07-25 20:49:55
845
原创 ML14_贝叶斯网络简单小记
贝叶斯网络利用贝叶斯定理来进行概率推理，它允许我们根据已有的证据来更新我们对随机变量的信念。通过这种方式，我们可以有效地处理不确定性并做出基于概率的决策。
2024-07-25 10:06:07
891
原创 CV13_混淆矩阵、F1分数和ROC曲线
ROC曲线是一种图表，它以假正例率（False Positive Rate, FPR）为横轴，真正例率（True Positive Rate, TPR）为纵轴，展示了所有可能的分类决策阈值下模型的性能。FPR定义为所有实际为负类的实例中被错误地预测为正类的比例，而TPR定义为所有实际为正类的实例中被正确预测为正类的比例。
2024-07-24 21:51:34
784
原创 35_YOLOX网络详解
https://www.bilibili.com/video/BV1JW4y1k76c/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-07-24 17:02:05
3033
原创 34_YOLOv5网络详解
https://www.bilibili.com/video/BV1T3411p7zR/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-07-23 14:26:07
1450
原创 33_YOLOv4网络详解
https://www.bilibili.com/video/BV1NF41147So/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-07-21 15:06:23
1362
原创 32_ConvNeXt网络详解
ConvNeXt是一种计算机视觉模型，由Meta AI（前Facebook AI）的研究人员在2022年提出，它旨在探索卷积神经网络（CNN）在图像识别任务上的潜力，尤其是在与当时流行的Vision Transformer（ViT）模型相比较时。ConvNeXt设计的核心目标是结合Transformer模型中的设计理念，如大 kernel size、层归一化位置、 MLP结构等，来升级传统的卷积神经网络架构，从而在不牺牲效率的情况下，达到或超越基于Transformer的模型的性能。
2024-07-20 23:50:06
4043
原创 31_MobileViT网络讲解
https://www.bilibili.com/video/BV1TG41137sb/?spm_id_from=333.788&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-07-20 18:00:55
1515
原创 30_Swin-Transformer网络结构详解
https://www.bilibili.com/video/BV1pL4y1v7jC/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2024-07-19 17:53:28
2288
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人