<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yauphy1的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/yauphy1</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yauphy1]]></copyright><item><title><![CDATA[全连接层参数用 TensorFlow学习的代码]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103470061</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103470061</guid><author>yauphy1</author><pubDate>Tue, 10 Dec 2019 10:23:56 +0800</pubDate><description><![CDATA[本算法先构建了一个三元组数据，占位符X表示原特征点，Xp表示匹配的特征点， Xn表示不匹配的特征点。

目的在于通过训练，
使得参考样本与正样本之间的欧氏距离 PDis 和参考样本与
负样本之间的欧氏距离 NDis 满足同类样本间的距离加上某
个给定的阈值threshold 要小于异类样本间的距离。

全部代码如下：
from __future__ import division, print_...]]></description><category></category></item><item><title><![CDATA[TypeError: only integer scalar arrays can be converted to a scalar index]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103459181</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103459181</guid><author>yauphy1</author><pubDate>Mon, 09 Dec 2019 15:46:40 +0800</pubDate><description><![CDATA[TensorFlow取数据批次的代码中有一句
yield inputs[excerpt], inputsp[excerpt]
编译后报错TypeError: only integer scalar arrays can be converted to a scalar index

改成
yield np.array(inputs)[excerpt], np.array(inputsp)[exc...]]></description><category></category></item><item><title><![CDATA[Matlab产生一维高斯滤波核]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103178479</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103178479</guid><author>yauphy1</author><pubDate>Thu, 21 Nov 2019 10:52:34 +0800</pubDate><description><![CDATA[相关代码如下：


dSigma =2.7;
fK1=1.0/(2*dSigma*dSigma);
fK2=fK1/pi;
iSize = 11;
out = zeros(1,iSize)
step = floor(iSize/2 + 0.5);
for i = 1 : iSize
  x=i-step;
  fTemp=fK2*exp(-x*x*fK1);
  out(1,x+ste...]]></description><category></category></item><item><title><![CDATA[图片自动裁剪的python实现]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103166975</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103166975</guid><author>yauphy1</author><pubDate>Wed, 20 Nov 2019 17:14:30 +0800</pubDate><description><![CDATA[import os
from PIL import Image

inputpath = "D:\\Program Files\\TEST\\pictures\\013"
outpath = "E:\\picOutput\\013"
fileNameStr = "013_"

path2 = os.listdir(inputpath)

for dirs in path2:
    path3 ...]]></description><category></category></item><item><title><![CDATA[numpy 输出的时候和保存时不使用科学计数法]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103066807</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103066807</guid><author>yauphy1</author><pubDate>Thu, 14 Nov 2019 14:30:55 +0800</pubDate><description><![CDATA[显示：
np.set_printoptions(suppress=True)
np.set_printoptions(precision=3) #设精度为3

输出：
np.savetxt('data/submit.txt', res, fmt='%.03f') #保留3位小数

#保存为矩阵形式：
np.savetxt('D:/data/w1.txt', result3, fmt=['%d,'...]]></description><category></category></item><item><title><![CDATA[summary.merge_all() 的用法]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103051802</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103051802</guid><author>yauphy1</author><pubDate>Wed, 13 Nov 2019 16:32:25 +0800</pubDate><description><![CDATA[tf.summary.merge_all 可以将所有summary全部保存到磁盘，以便tensorboard显示。

例如：

tf.summary.scalar('accuracy',acc)          #生成准确率标量图 
merge_summary = tf.summary.merge_all() 
train_writer = tf.summary.FileW...]]></description><category></category></item><item><title><![CDATA[tf.split用法]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103031501</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103031501</guid><author>yauphy1</author><pubDate>Tue, 12 Nov 2019 16:01:55 +0800</pubDate><description><![CDATA[API原型（TensorFlow 1.8.0）：

tf.split(
  value,
  num_or_size_splits,
  axis=0,
  num=None,
  name='split'
)
1
2
3
4
5
6
7
这个函数是用来切割张量的。输入切割的张量和参数，返回切割的结果。
value传入的就是需要切割的张量。
这个函数有两种切割的方式：

...]]></description><category></category></item><item><title><![CDATA[TensorFlow 构建流程图]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/103024650</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/103024650</guid><author>yauphy1</author><pubDate>Tue, 12 Nov 2019 11:03:42 +0800</pubDate><description><![CDATA[tf.Graph() 表示实例化了一个类，一个用于 tensorflow 计算和表示用的数据流图，通俗来讲就是：在代码中添加的操作（画中的结点）和数据（画中的线条）都是画在纸上的“画”，而图就是呈现这些画的纸，你可以利用很多线程生成很多张图，但是默认图就只有一张。

例如有如下代码：


import tensorflow as tf
g = tf.Graph()

## add nodes to...]]></description><category></category></item><item><title><![CDATA[python 自动补齐二进制数据]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102959466</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102959466</guid><author>yauphy1</author><pubDate>Thu, 07 Nov 2019 17:35:29 +0800</pubDate><description><![CDATA[今天应同事要求写了一个把二进制数据前面补零，使数据全部对齐的脚本。

原本的数据的一行比如： 101010

补齐后为： 00101010

具体实现方法如下：


if os.path.isdir(path3):
    path4 = os.listdir(path3)
    for path5 in path4:
        if path5.find("ori")&gt;=0 or ...]]></description><category></category></item><item><title><![CDATA[List初始化]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102929943</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102929943</guid><author>yauphy1</author><pubDate>Wed, 06 Nov 2019 10:16:28 +0800</pubDate><description><![CDATA[话不多说，上一段代码一目了然：


list1 = [5.0]* 5
list2 = list([1.0] for i in range(10))
list3 = [[1.0] for i in range(10)]
list4 = [[2.0] * 5]
print(list1)
print(list2)
print(list3)
print(list4)


运行结果：

[5.0, 5.0,...]]></description><category></category></item><item><title><![CDATA[TensorFlow数据加载]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102831221</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102831221</guid><author>yauphy1</author><pubDate>Thu, 31 Oct 2019 16:06:27 +0800</pubDate><description><![CDATA[TensorFlow程序读取数据一共有3种方法:

供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。
	从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。
	预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)
第一种大家很熟悉不用多说， 第三种采用比如np.loa...]]></description><category></category></item><item><title><![CDATA[python便捷获取当前路径]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102744955</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102744955</guid><author>yauphy1</author><pubDate>Fri, 25 Oct 2019 16:09:24 +0800</pubDate><description><![CDATA[python 获取当前路径： “./”

获取当前路径的上一层：“./”

举个栗子：（lena.jpg放在当前路径的上一层）


import tensorflow as tf
import cv2


img = tf.image.convert_image_dtype(tf.image.decode_jpeg(tf.read_file('../lena.jpg'), channels=1...]]></description><category></category></item><item><title><![CDATA[ValueError: Cannot feed value of shape (9, 240, 320) for Tensor 'x:0', which has shape 的解决办法]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102726194</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102726194</guid><author>yauphy1</author><pubDate>Thu, 24 Oct 2019 16:27:00 +0800</pubDate><description><![CDATA[今天写了如下的代码，用来测试手势识别的神经网络算法准确性：


from skimage import io,transform
import tensorflow as tf
import numpy as np
import os

path =  "./Images/"

dict = {0:'palm',1:'l',2:'fist',3:'fist_move',4:'thumb',5:'i...]]></description><category></category></item><item><title><![CDATA[Python 程序出现ImportError: cannot import name 'is_string_like' 解决办法]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102700836</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102700836</guid><author>yauphy1</author><pubDate>Wed, 23 Oct 2019 15:07:45 +0800</pubDate><description><![CDATA[今天的一个project写了如下代码：


from skimage import os，transform

运行后报错： from matplotlib.cbook import is_string_like, mplDeprecation, dedent, get_label
ImportError: cannot import name 'is_string_like'

网上查了一下，...]]></description><category></category></item><item><title><![CDATA[IIR递归高斯滤波]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102523787</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102523787</guid><author>yauphy1</author><pubDate>Sat, 12 Oct 2019 17:06:48 +0800</pubDate><description><![CDATA[高斯滤波在项目里很常用，尤其是SIFT特征点提取的时候，PCA也要用。

但是原始的高斯滤波是一个二维的卷积，速度很慢。即使采用优化后的分离高斯滤波（先在x方向滤波，然后在y方向滤波），依然不快。

查阅了很多国内外的文献，在项目中实现了递归高斯滤波， 已经量产运行，效果很不错，运行时间是分离高斯滤波的三分之一到四分之一， 也可以运行到MCU里了！！

递归滤波器能近似模拟高斯滤波器，也是分成两次...]]></description><category></category></item><item><title><![CDATA[VS程序debug和Release结果不同时的一些解决办法]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/102522284</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/102522284</guid><author>yauphy1</author><pubDate>Sat, 12 Oct 2019 16:36:46 +0800</pubDate><description><![CDATA[今天在调试MFC代码的时候遇到了debug和release下运行结果不同的问题， 仔细检查了2小时才发现原来是一个函数调用写错了：

不慎将memcpy打成了memccpy，

编译运行都没有问题，但是运行的时候总有异常。

原来


			void * memccpy(void *dest, const void * src, int c, size_t n);
			
		函数说明：memc...]]></description><category></category></item><item><title><![CDATA[Python的字符串处理函数split & join的使用一例]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/46619439</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/46619439</guid><author>yauphy1</author><pubDate>Wed, 24 Jun 2015 11:02:16 +0800</pubDate><description><![CDATA[python 中split 和join 的妙用]]></description><category></category></item><item><title><![CDATA[最小二乘法原理]]></title><link>https://blog.youkuaiyun.com/yauphy1/article/details/43735763</link><guid>https://blog.youkuaiyun.com/yauphy1/article/details/43735763</guid><author>yauphy1</author><pubDate>Wed, 11 Feb 2015 16:53:24 +0800</pubDate><description><![CDATA[最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。

利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

最小二乘法还可用于曲线拟合。

其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。

示例[编辑]





数据点（红色）、使用最小二乘法求得的最佳解（蓝色）]]></description><category></category></item></channel></rss>