群星闪耀的博客

python面向对象编程：使用__slots__和@property当我们创建好class（类），我们可以给这个类附加属性和方法。属性和方法分别对应函数式编程里面的参数和低阶函数。尝试给实例绑定一个属性：class Student(object): # 创建类 pass >>> s = Student() # 实例化类>>> s.name = 'Michael' # 动态给实例绑定一个属性>>> print(s.n

项目场景：作者写好一个class之后, 想导入到另外一个文件中使用,from filename import classname然后直接使用classname(para1,para2)问题描述：发现报错,debug发现是类里面的一个参数变了, 作者就一直找为什么会改变. 原因分析：因为作者用的class定义的时候一般有两个部分class Classname(Object): def __init__(self, para1=1, para2=2, para...):

HDF5文件介绍HDF（Hierarchical Data Format）指一种为存储和处理大容量科学数据设计的文件格式及相应库文件。HDF 最早由美国国家超级计算应用中心 NCSA 开发，目前在非盈利组织 HDF 小组维护下继续发展。当前流行的版本是 HDF5。HDF5 拥有一系列的优异特性，使其特别适合进行大量科学数据的存储和操作，如它支持非常多的数据类型，灵活，通用，跨平台，可扩展，高效的 I/O 性能，支持几乎无限量（高达 EB）的单文件存储等，详见其官方介绍：What is HDF5?。H5文

在训练时我看到有人会添加AverageMeter()的epoch_loss,一般放在utils.py中，源码如下rom __future__ import division, absolute_import__all__ = ['AverageMeter']class AverageMeter(object): """Computes and stores the average and current value. Examples:: >&gt...

本博文写于2021年6月24日此时scikit-image 版本为0.18.1在版本为0.16之前PSNR和SSIM的导入方式为from skimage.measure import compare_ssim, compare_psnr但是现在会报错，改为：from skimage.metrics import peak_signal_noise_ratiofrom skimage.metrics import structural_similarity使用例子：com

例子：import torchimport torchvisionfrom torch.utils.tensorboard import SummaryWriterfrom torchvision import datasets, transformslog_dir=r'C:\Users\14497\Desktop\result\log_dir'# Writer will output to ./runs/ directory by defaultwriter = SummaryWrit

参考：http://www.bnikolic.co.uk/blog/pytorch-detach.html

保存、加载模型pytorch保存模型的方式有两种：第一种：将整个网络都都保存下来第二种：仅保存和加载模型参数（推荐使用这样的方法）保存和加载整个模型torch.save(model_object, 'model.pkl')model = torch.load('model.pkl')仅保存和加载模型参数(推荐使用)torch.save(model_object.state_dict(), 'params.pkl')model_object.load_state_di..

python中os.path.join的用法如下：import osos.path.join('path1', 'path2', 'pathn')可以将多个路径进行拼接，但是需要注意一点是：第一个绝对路径之前的参数将被忽略也就是说，如果path2的第一个字符是‘/’，那么返回的拼接路径中path1并没有包含。————————————————版权声明：本文为优快云博主「Odegaard」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声...

用pytorch做训练时，我们经常会将图片数据转换为tensor格式，方便加速训练。但是有很多时候我们会需要展示训练的结果。所以难免会涉及到将Tensor数据转换回方便展示的格式。

因为要看一下别人的代码怎么样，我平时用的是pytorch，所以开了个虚拟环境安装tensorflow及其GPU版本。我大概看了下，tensorflow最后更新的1.x的版本是1.15的。所以我安装的是1.15.x的版本。虚拟环境相当于重新开一个文件夹，在这个文件夹里搭建好python的包，不影响自己平时用的python环境，非常方便。虚拟环境的安装我就不多说，大家可以去查阅其他教程。我之前因为pytorch已经安装好了cuda+cudnn 11.1的版本，但是tensorflow==1.15.x

Python requirement 导入导出包 - nmydt - 博客园 (cnblogs.com)在使用Python的时候，需要把安装的Package通过requirements.txt导出来，一个命令便可部署新环境。requirements.txt，是用于记录所有依赖包及其精确的版本号。自动生成requirement.txt命令：pip freeze > requirements.txt执行成功后，会在当前目录下自动生成requirement.txt文件。一把这个目录就是用户

我的安装环境是python == 3.7.9。为了不出问题，故意选老一点的版本。使用pip安装，主要参考两篇博文：cuda安装教程+cudnn安装教程_sinat_23619409的博客-优快云博客_cuda安装配置显卡驱动、CUDA、cuDNN以及说明三者之间的关系_ZiLiangQin的博客-优快云博客_cudnn配置还有官网的显卡配对关系：Release Notes :: CUDA Toolkit Documentation (nvidia.com)从pytorch的安装页面来

在应用深度学习的模型中，有的模型会加载matlab的.mat格式。如果要修改模型，则需要python加载.mat文件。同时，需要将自己的数据保存为.mat文件。我的代码.mat文件是一个struct的结构。现在我们一起来看一下如何加载.mat文件1. python读取.mat文件的struct结构import scipy.io as sioim_gt = sio.loadmat("路径名字\文件名字" + ".mat")['im_gt']im_b = sio.loadmat("路径名字\

问题描述：pytoch中没有像tensorflow里面，卷积层的padding设置为same之类的操作。而且论文当中很多都不会写padding设置是多少。现在我来记录一下如何根据模型来计算出每个卷积层的padding值的设置。一般来讲，根据卷积的原理，输入的大小和输出的大小之间的关系由如下公式表示：out_size=(input_size - kernerl_size + 2*padding)/stride +1在GitHub上我看到一个模型，标注了每个输入的size大小。可以很好的作为一个例子

将多个子文件夹中的文件，重命名并复制到一个总文件夹中工作情景：一个总文件夹里面有多个子文件夹，如下图所示。每个文件夹里面都有多张图片。现在我想将每个子文件夹里面的图片复制到一个总文件夹里面。实现代码如下：import shutilimport ospath=r'E:\DQL\small_intestine' #要读取的文件夹new_path = r'E:\DQL\small_intestine_all' # 要存储的文件夹def walkFile(path,new_path):

项目场景：用Image.open读取PNG图片，做深度学习的训练，：问题描述：原来的是读取JPG图片，本来的想法是直接应用模型就可以了，发现Image.open会将PNG图片降维成灰度图像，导致模型出错：解决方案先用cv2.imread导入读取，再转换为PIL的格式。下面的代码论证上述的问题过程import cv2import matplotlib.pyplot as pltfrom PIL import Imageimport numpy as np%matplotlib inlin

1.python路径拼接os.path.join()函数的用法os.path.join()函数：连接两个或更多的路径名组件如果各组件名首字母不包含’/’，则函数会自动加上如果有一个组件是一个绝对路径，则在它之前的所有组件均会被舍弃如果最后一个组件为空，则生成的路径以一个’/’分隔符结尾Demo1import osPath1 = 'home'Path2 = 'develop'Path3 = 'code'Path10 = Path1 + Path2 + Path3Path20 =

确保安装scikit-image numpyDataset和DataLoader都是Pytorch里面读取数据的工具。现在对这两种工具做一个概括和总结。1.Dataset一个例子：# 导入需要的包import torchimport torch.utils.data.dataset as Datasetimport numpy as np# 编造数据Data = np.asarray([[1, 2], [3, 4],[5, 6], [7, 8]])Label = np.a

1.在pycharm的界面安装：简书：pycharm-虚拟环境安装第三方库2.在虚拟环境的文件夹里面安装从pycharm的Terminal界面来看，我的train.py文件现在的运行环境是在虚拟环境中的。所以如果我要安装第三方包的话，那就要在这个虚拟环境中的Scripts文件里面的pip才能被我的train.py文件采用。步骤如下：1、打开Pycharm的项目，找到下方Terminal，打开2、利用cd 进入项目的Scripts文件夹中3、输入 activate4、利用 pi

报错：TypeError: 'tuple' object is not callable解决：如上图左上角所示，因为模型继承的是nn.Module，所以不是用的sequential来定义网络，依然加了逗号。所以会出错。可以改成nn.Sequential,或者把逗号删除。额外提示：如果用nn.Squential定义，缺少灵活性，但是也有优点。关于nn.Squential和nn.Model的定义不同可以详见：PyTorch 中的 ModuleList 和 Sequential:

这个库可以查看用pytorch搭建的模型，各层输出尺寸。1.安装相信大家使用到现在这个地步，导入库已经很熟练了。里面的坑我就不多说。pip install torchsummary2.导入from torchsummary import summarysummary(your_model, input_size=(channels, H, W))上述的your_model是搭建的模型，input_size是你输入的数据。比如输入一张图片大小为28*28的RGB(3个通道)的图

1.论文分析为了对卷积神经网络CNN有更加透彻的了解，方便后续的CNN应用在其他方面。决定对经典论文AlexNet重新实现一遍。论文中原图如下：The first convolutional layer filters the 224×224×3 input image with 96 kernels of size 11×11×3 with a stride of 4 pixels (this is the distance between the receptive field cente

首先我们要方便一个数组或者矩阵的大小维度。在python的numpy包里面，都是用中括号[]，来包含的。这些数据对于新手来说都有点混乱，有时候看到很多个括号就不知道这些维度是什么，还有一些numpy的函数操作，比如np.squeeze, np.expand_dims等。对这些数据操作之后，数组或者矩阵会变成什么样都不知道。下面来做一个阐述：维度和括号之间的联系对于一个数据，numpy里面的维度是先数最里面的括号包含的个数，数的量作为维度最右边的值 然后再把最里面的括号当成一个整体，再来数数量，

背景简介作为刚入门深度学习的小白，准备兴高采烈的开始用GPU跑深度学习算法.已经安装好了tensorflow的CPU版本，都是想要加速，搭建tensorflow-gpu的版本。我的环境是python==3.7, tensorflow==1.15，这两个的安装可以去参考其他教程，为什么在2021年还选择1.15的版本，因为我要用的代码还是tensorflow 版本1的，tensorflow 2.0的和原来的不一样，容易出现其他问题，为了早日上手深度学习，就不去弄2.0了。这里主要是讲解如何安装GPU加

相信找到这篇博客的同学们已经知道了CS61A的好处，多余的我就不解释了。首先放一个链接CS61A The Structure and Interpretation of Computer Programs如上图所示，这个是所有CS61A的课程历史，其中本文写于2020年秋，最新的就是Fall 2020.只有这个是没有更新完的，其他的都是更新完了的。上面几个最近的课程我查看了下，如果国内不能科学上网，推荐选择Summer 2019.因为这个课程在b站上有人上传了。上课过程：打开

torch.Tensoris the central class of the package. If you set its attribute.requires_gradasTrue, it starts to track all operations on it. When you finish your computation you can call.backward()and have all the gradients computed automatically. The gra...

pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False)参数说明：data : array-like, Series, or DataFrame 输入的数据prefix : string, list of stri...

我在官网下载的版本是最新版CUDA10.2,唉哭了。希望大家还是下载10.0版本的吧。不用这么麻烦，tensorflow最多只匹配到了CUDA10.1。如果因为下载10.2，导致tf.test.is_gpu_available() 返回false。为了解决这个问题，回到cmd的界面，输入python，回车import tensorflow as tf 回车最后可以成功但是会提示你...

在jupyternotebook下导入自己写的模块，有三点需要注意：1.要将自己写的模块编程.py的文件，而不是.ipynb文件2.当更改自己的模块的内容后，要Restart内核，才能反映到使用该模块的.ipynb文件中。3.如果.py文件，放在文件夹里面。则需要在开头前面加上文件夹名字。比如说。test.py文件里面有hello这个函数。test.py文件放在untitled fol...

因为，不加self， 你可能会执行类外的同名函数eatdef eat(thing): print(thing,'--->执行了类外函数') class Dog: def eat(self, thing): print('执行了类内函数', thing) def run(self): eat(2) Dog().r...

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltMIN_MATCH_COUNT = 10img1 = cv.imread('box.png',0) # queryImageimg2 = cv.imread('box_in_scene.png',0) # trainImage#...

Brute-Force matcherBFmatcher（Brute-Force Matching）暴力匹配，应用BFMatcher.knnMatch( )函数来进行核心的匹配，knnMatch（k-nearest neighbor classification）k近邻分类算法。kNN算法则是从训练集中找到和新数据最接近的k条记录，然后根据他们的主要分类来决定新数据的类别。该算法涉及3个主要...

问题：前面学习的Harris算法检测corners是旋转不变性的。就是说即使这些corners旋转了也可以检测出来。但是假如有的角标放大了之后，在图片中看起来就会变得平滑。比如下面的图片：以前的方法就没用了。为了解决这个问题，所以有的学者就发明了尺度不变的检测方法叫做(Scale-Invariant Feature Transform）SIFT。SIFT算法实现物体识别主要有4...

原理：In last chapter, we saw Harris Corner Detector. Later in 1994, J. Shi and C. Tomasi made a small modification（前一个方法的小改进） to it in their paperGood Features to Trackwhich shows better results com...

轮廓检测是基于图像边缘提取的基础，寻找对象轮廓的方法，所以边缘提取的阈值选定会影响最终轮廓的发现相关APIfindContours 发现轮廓drawContours绘制轮廓操作步骤1.转换图像为二值化图像：threshold方法或者canny边缘提取获取的都是二值化图像2.通过二值化图像寻找轮廓：findContours3.描绘轮廓：drawContours相...

Non-maximum SuppressionAfter getting gradient magnitude and direction, a full scan of image is done to remove any unwanted pixels which may not constitute the edge. For this, at every pixel, pixel i...

Structuring ElementWe manually created a structuring elements in the previous examples with help of Numpy. It is rectangular shape. But in some cases, you may need elliptical/circular shaped kernels...

推荐可以现在官方网址上学习。有一个一个的步骤叫你深入学习opencv.https://docs.opencv.org/4.1.2/d2/d96/tutorial_py_table_of_contents_imgproc.html里面要求你会用numpy和matplotlib，我一开始也是没接触过这两个，但是学习过程中用到的很多函数可以去百度，谷歌都搜得到用法。以及如果想学习其他的比如...

https://blog.youkuaiyun.com/Hanging_Gardens/article/details/79016183