realjc的博客

在远程服务器上如果要使用tensorboard的话，可以使用vscode remote-ssh访问远程服务器，vscode会将tensorboard访问端口映射到本地。pytorch官方提供的例子:import torchfrom torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter()x = torch.arange(-5, 5, 0.1).view(-1, 1)y = -5 * x + 0.1 * torch.

在目标检测任务中，在验证检测精度时需要计算估计的2D bbox和gt bbox的相似性，一般用IOU(交并比)来表示：IOU=CA+B−CIOU = \frac{C}{A+B-C}IOU=A+B−CC​下面是计算两组2D bbox的 IOU的示例代码：

KITTI 3D数据集提供的数据：1、左目图像2、右目图像3、激光图像4、标定参数5、左目label另外，还提供了连续三张的左右目图像，评价代码和label解析。对一个label：Pedestrian 0.00 0 -0.20 712.40 143.00 810.73 307.92 1.89 0.48 1.20 1.84 1.47 8.41 0.01col1 ： 类标签col2 ：0-1截断程度col3 ：0(完全可见)、1(部分遮挡)、2(大部分被遮挡)、3(未知)col4 ：

KITTI数据集只提供了左目的2Dbbox，而如果要使用双目进行3D box估计，就需要先将3D box投影到右目获得真值。以下代码由Stereo RCNN 修改而来：#!/bin/usr/env python3import numpy as np import csv import math as mimport os def NormalizeVector(P): return np.append(P, [1])def E2R(Ry, Rx, Rz): '''Combi

#!/usr/bin/env python3import cv2 import numpy as np import os path = os.getcwd()modelConfiguration = path+ '/model/yolov3.cfg'modelWeights = path+ '/model/yolov3.weights'classesFile = path + '/model/coco.names'class YOLO: def __init__(self):.

resnet由于最后的全连接层参数固定，为了适应不同大小的输入。要么对输入图像进行crop或者padding，要么修改网络。下面是LearnOpenCV提供的一种修改网络的方式。将最后的池化层由AdaptiveAvgPool2d 改为 AvgPool2d将全连接层替换为卷积层。class FullyConvolutionalResnet18(models.ResNet): def __init__(self, num_classes=1000, pretrained=False, **kw

ReflectionPad2d是一种边界填充方法，与常规的零填充相比， 填充内容来自输入， 在GAN中使用比较常见。下面是pytorch文档中的两个使用例子：>>> m = nn.ReflectionPad2d(2)>>> input = torch.arange(9, dtype=torch.float).reshape(1, 1, 3, 3)>>> inputtensor([[[[0., 1., 2.], [3., 4.

对于模型model,可以使用下面的方式打印模型参数：for name, param in model.named_parameters(): print(name, ' ', param.size())

在tf2.0中，可以添加如下代码： log_dir='./log/' tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1) history = classifier.fit(data_train, label_train, validation_data=(data_test, label_test), epochs=epochs,

tensorflow中的定义：就是按通道归一化。例子：import numpy as npimport tensorflow as tfa = np.ones([2,3,3, 5])## batch_size,row,col,channelb = tf.nn.local_response_normalization(a, 1, 0, 1, 1)## radius, bias, alpha,betasess = tf.Session()print (sess.run(b))输出：

def load_image(img_path,size = (32,32)): label = tf.constant(1,tf.int8) if tf.strings.regex_full_match(img_path,".*/automobile/.*") \ else tf.constant(0,tf.int8) img = tf.io.read_f...

示例代码： os.system("python3 extract_features.py \ --input_file=input.txt \ --output_file=output.json \ --vocab_file=uncased_L-12_H-768_A-12/vocab.txt \ --bert_config_file=uncased_L-12_H-7...

##随便设的参数MAX_SEQUENCE_LENGTH =1000word_index_len = 999EMBEDDING_DIM = 300embedding_matrix = np.random.rand(word_index_len+1,EMBEDDING_DIM)labels_index_len = 2## 构建模型sequence_input = Input(shape...

在nlp任务中，计算机不会直接处理文本信息，而是需要先将文本转化为矩阵进行处理。通常，先将句子划分为单词，每个单词用一个固定维数的向量表示（比如300），而句子的维数也会固定为一个常值(max_len)，并进行补齐。词嵌入矩阵就是将单词从one-shot形式转化为固定维数的向量时所需的转换矩阵。英文单词的oneshot形式可由tokenizer.word_index直接获得，它是一个字典，内...

import tensorflow as tfimport kerasfrom keras_radam import RAdam from keras import backend as K from keras_bert import load_trained_model_from_checkpointimport osSEQ_LEN = 128BATCH_SIZE = 50E...