<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[where amazing happens]]></title><description><![CDATA[anything is possible]]></description><link>https://blog.youkuaiyun.com/vfi7018</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; vfi7018]]></copyright><item><title><![CDATA[python多线程threading]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/98477236</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/98477236</guid><author>vfi7018</author><pubDate>Mon, 05 Aug 2019 06:29:23 +0800</pubDate><description><![CDATA[最近看了双线性插值的算法，想要自己实现以下，于是写了一个程序，测了下时间，将1080*1564的一张证件照通过插值resize到600*800花了15s....

于是想要用threading多线程来做，3个子线程对3个通道分别做插值，岂不是速度会提升3倍？结果还是15s，让我实在想不通，最后查了下关于python多线程的问题，才明白过来


from PIL import Image
from ...]]></description><category></category></item><item><title><![CDATA[python双线性插值代码]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/98440628</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/98440628</guid><author>vfi7018</author><pubDate>Sun, 04 Aug 2019 09:17:40 +0800</pubDate><description><![CDATA[双线性插值其实就是 根据需要resize的大小和原始图像的大小之比得到缩放比例，然后在求目标图的每一个像素的时候，根据这个比例找到其应该在原图的位置，这个位置可能会是小数，就用到该位置周围4个整数像素点的值来计算该位置的像素，然后离该位置距离近的点所占该位置值的权重要大一些.实现代码如下，效率有点低，待改进


from PIL import Image
from datetim...]]></description><category></category></item><item><title><![CDATA[.gitignore忽略不想要提交的文件]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/89028328</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/89028328</guid><author>vfi7018</author><pubDate>Thu, 04 Apr 2019 16:48:44 +0800</pubDate><description><![CDATA[首先在自己代码的根目录下 vi.gitignore, 创建一个忽略规则，例如我不想把所有的tfrecords后缀的文件传上去，太大了
	然后git add .
	git status 查看一下没有.tfrecords文件
...]]></description><category></category></item><item><title><![CDATA[图片相似度]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/84972504</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/84972504</guid><author>vfi7018</author><pubDate>Wed, 12 Dec 2018 14:33:21 +0800</pubDate><description><![CDATA[
	背景

	
		When browsing through outfits on clothing sites, looking for a vacation rental on Airbnb, or choosing a pet to adopt, the way something looks is often an important factor in our decision. 
	...]]></description><category></category></item><item><title><![CDATA[git教程（四）]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/84729228</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/84729228</guid><author>vfi7018</author><pubDate>Sun, 02 Dec 2018 22:51:11 +0800</pubDate><description><![CDATA[

 

 

当你在自己的工作目录下执行git init的时候，你目前工作目录下的所有文件都是untracked的，执行git add 命令之后你工作目录下的文件将会被追踪，变成unmodefied, 修改其中的文件之后再次执行git add ,文件就会被添加到暂存区，准备提交给版本库。


	.gitignore

	
		一般我们总会有些文件无需纳入 Git 的管理，也不希望它们总出现在未跟...]]></description><category></category></item><item><title><![CDATA[单词1]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/84557718</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/84557718</guid><author>vfi7018</author><pubDate>Mon, 26 Nov 2018 22:24:05 +0800</pubDate><description><![CDATA[swarm
			 
		emerge
			 
		termite
			 
		deposit
			 
		pheromone
			 
		cohesively
			 
		portrait
			 
		prominently
			 
		dutch
			 
		profile
			 
		lithograph
			 
		imprint
			 
		hypothesis
	...]]></description><category></category></item><item><title><![CDATA[YOLO]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/84328923</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/84328923</guid><author>vfi7018</author><pubDate>Wed, 21 Nov 2018 19:55:30 +0800</pubDate><description><![CDATA[
	Advantages：

	
		A single convolutional network simultaneously predicts multiple bounding boxes and class probabilities for those boxes
		
		
		YOLO is extremely fast， 45 frames per second

		
			Si...]]></description><category></category></item><item><title><![CDATA[TFFRCNN demo模型加载测试]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/84307364</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/84307364</guid><author>vfi7018</author><pubDate>Tue, 20 Nov 2018 18:08:16 +0800</pubDate><description><![CDATA[

 


	.data-00000-of-00001和.index保存了所有的weights、biases、gradients等变量， .meta保存了图结构， checkpoint文件是个文本文件，里面记录了保存的最新的checkpoint文件以及其它checkpoint文件列表
	
	
	保存训练模型：

	
		建立一个Saver对象
		
		
		设置保存模型的个数 ：

		
			...]]></description><category></category></item><item><title><![CDATA[Fast-Rcnn的理解]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/84109161</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/84109161</guid><author>vfi7018</author><pubDate>Thu, 15 Nov 2018 18:54:00 +0800</pubDate><description><![CDATA[

 


	Roi Pooling

	
		The main function of ROI layer is reshape inputs with arbitrary size into a fixed length output because of size constraint in Fully Connected layers, 能够允许对feature  map进行复用，能够减轻...]]></description><category></category></item><item><title><![CDATA[python读取文件（txt， json）]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83750187</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83750187</guid><author>vfi7018</author><pubDate>Mon, 05 Nov 2018 15:17:54 +0800</pubDate><description><![CDATA[
	读取json文件：

	
		整体思路就是先读取json文件中的数据，将数据暂时存起来，然后再将修改后的数据写入json文件
		
		
		json.dumps和 json.dump的区别

		
			json.dumps()将dict转换为str格式

			
				json.loads()是将str格式转换为dict格式
				
			
			
			json.dump(dict,...]]></description><category></category></item><item><title><![CDATA[Backpropagation]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83616903</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83616903</guid><author>vfi7018</author><pubDate>Thu, 01 Nov 2018 10:57:14 +0800</pubDate><description><![CDATA[


	
	
	
	
	
 ]]></description><category></category></item><item><title><![CDATA[pip 清华安装源]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83572336</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83572336</guid><author>vfi7018</author><pubDate>Wed, 31 Oct 2018 07:46:48 +0800</pubDate><description><![CDATA[pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy

numpy可以改成任意你想要的模块]]></description><category></category></item><item><title><![CDATA[caffe]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83478556</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83478556</guid><author>vfi7018</author><pubDate>Tue, 30 Oct 2018 16:36:12 +0800</pubDate><description><![CDATA[caffe数据层:
	在caffe中数据以blob的方式流通的,数据层主要是加载数据,并且将数据进行变化让保存数据的输出.最主要的变换有两种:均值裁剪以及特征缩放.
		参数:
		bottom用来输入数据,top用来输出数据(如果是数据层的话,有两个top)
			backend: 数据库类型
			batch_size: 训练或者测试的批次的大小,也就是说一次拿多少条数据来训练, 分批次的原因...]]></description><category></category></item><item><title><![CDATA[github上传大于100M的文件报错怎么办？]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83444040</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83444040</guid><author>vfi7018</author><pubDate>Sat, 27 Oct 2018 21:47:38 +0800</pubDate><description><![CDATA[情况：git add 和 git commit 之后，git push出错。

首先，这个问题有两个思路：

取消commit,将文件压缩后再commit
	如何能够直接上传大于100m的文件
一 取消commit

     git log查看commit id

     git reset --hard 上一个状态的commit id, 这样子本地的代码也会被还原成没有提交之前的代码

  ...]]></description><category></category></item><item><title><![CDATA[windows上编译caffe（microsoft）]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83332899</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83332899</guid><author>vfi7018</author><pubDate>Wed, 24 Oct 2018 06:17:20 +0800</pubDate><description><![CDATA[
	首先网上有许多版本的caffe， 对于这么多版本的caffe，每个版本的编译前提准备又不一样，新手很容易在这里面遇到特别多的坑，所以我针对最常用的两个版本的caffe写一篇教程希望能让大家早日接触到深度学习的本质，而不至于在编译安装这个步骤上耽误太多时间，甚至就在这个阶段放弃了的。

	
		
		
	
	
	对于BVLC版本的caffe，首先看在GitHub上的说明!!! 这个步骤会解决很多...]]></description><category></category></item><item><title><![CDATA[1. windows上VS2013编译caffe]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83244120</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83244120</guid><author>vfi7018</author><pubDate>Sun, 21 Oct 2018 19:20:43 +0800</pubDate><description><![CDATA[写这之前，觉得最重要的就是一定要先看官方文档，一定要先仔细看官方文档，仔细，仔细再仔细！这才是重点，因为即便你照着官方文档来做出错了，必定会有很多靠谱的解答在Google上等着你，而你如果随便从网上找一篇教程的话，这些就都不能保证了。

Windows上编译caffe会有许多的让你摸不着头脑的错误发生，我试过不同的方法，终于编译好了python接口的Caffe。


	首先下载caffe源码的时候...]]></description><category></category></item><item><title><![CDATA[4. 线性回顾和逻辑回归]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/83007374</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/83007374</guid><author>vfi7018</author><pubDate>Thu, 11 Oct 2018 09:50:31 +0800</pubDate><description><![CDATA[
	什么是线性回归模型

	
		线性模型是机器学习中最基础的模型，许多非线性模型就是在线性模型的基础上引入层级结构或者高维映射得到
		
		
		线性模型就是试图得到一个通过属性线性组合来进行预测的函数，比如
		
		
		如何去学得这个模型呢？

		
			假定有数据集  ,其中  ,  。
			
			
			线性模型学的就是参数 w 和 b, 就会把所有的数据都代入到第一个式子中，...]]></description><category></category></item><item><title><![CDATA[Manacher马拉车算法求解最长回文子串]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/82997599</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/82997599</guid><author>vfi7018</author><pubDate>Wed, 10 Oct 2018 15:30:34 +0800</pubDate><description><![CDATA[        马拉车算法是一种能在O(n)的时间复杂度范围内得出结果。我看了不下几次这个算法，每次都觉得有点懂了，但是一碰到题目了，就生生写不出来。归根揭底，还是没有掌握其思想。

马拉车算法的第一个核心思想就是往原始的字符串里填充一些辅助的东西，使得我们在考虑问题时不用考虑字符串长度是奇数还是偶数。因为对于回文字符串来说，长度是奇数偶数时判断是有些不同的
	第二个核心思想就是用到了回文字符串的...]]></description><category></category></item><item><title><![CDATA[3. GBDT XGboost Lightgbm优缺点]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/82989652</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/82989652</guid><author>vfi7018</author><pubDate>Tue, 09 Oct 2018 21:56:14 +0800</pubDate><description><![CDATA[XGboost VS GBDT


	传统的GBDT是以CART树为基分类器，XGboost还支持线性分类器
	
	
	GBDT只用到了一阶导的信息，XGboost对代价函数进行了二阶泰勒展开，得到一阶导和二阶导
	
	
	XGboost在代价函数中加入了正则项来控制模型的复杂度，可以防止过拟合
	
	
	XGboost工具支持并行
	
	
	XGboost会在完成一次迭代之后，将叶子节点的权重，...]]></description><category></category></item><item><title><![CDATA[2. GBDT]]></title><link>https://blog.youkuaiyun.com/vfi7018/article/details/82978498</link><guid>https://blog.youkuaiyun.com/vfi7018/article/details/82978498</guid><author>vfi7018</author><pubDate>Tue, 09 Oct 2018 10:27:19 +0800</pubDate><description><![CDATA[以决策树为基函数的提升方法称为提升树


	回归问题的提升树算法

	
		首先训练出一个基函数， 计算这个模型与训练数据的残差
		
		
		不断的拟合前一个模型得到的残差，从而得到当前模型，知道满足误差要求
		
		
		
		
	
	
	分类问题的提升树算法
	


 

梯度提升

    对于提升树的优化过程，当损失函数为平方损失或者指数损失函数的时候，每一步优化都简单，但是对于一般...]]></description><category></category></item></channel></rss>