wuxulong123的博客

原创 pip加速安装方法

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple +自己想要安装的库的名字例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspider，这样就会从清华这边的镜像去安装pyspider库...

原创 python c++混合编程-cmake

编译完成生成tryPybind.cpython-38-x86_64-linux-gnu.so文件，即可通过python引用。“main”, &main意思是将c++ 中的main函数绑定到 python中可以引用的函数main上。编译成功生成tryPybind.cpython-38-x86_64-linux-gnu.so文件。创建trypybind.cpp文件。trypybind，库名，创建try.py文件。

原创 VScode + opencv（cmake编译） + c++ + win配置教程

打开cmd，cd至刚刚的构建目录下C:\Users\wuxulong\cpp_env_2\opencv\build\mingw-build，简单总结下：finish->configuring done->configure->generate。程序会开始自动生成Makefiles等文件配置，需要耐心等待一段时间。新建文件夹mingw-build。4、cmake编译opencv。双击cmake-gui。

原创 VScode + opencv + c++ + win配置教程

下载完解压放到一个文件夹里面，便于环境管理，文件夹我重命名了，解压出来文件名不一样正常。8、新建c_cpp_properties.json。7、新建launch.json。6、新建task.json。4、安装vscode扩展。5、新建main.cpp。9、运行 快捷键F5。

原创 ImportError: DLL load failed while importing _pyopenvino: 找不到指定的程序

ImportError: DLL load failed while importing _pyopenvino: 找不到指定的程序。完全按照官方的pip安装方式，但是报错。否则会有报错信息输出！无报错信息输出，说明成功。

原创 python与C++混合编程实践

c++ python 混合编程

原创 点到三角形（二维平面）的距离 算法笔试ｐｙｔｈｏｎ

不确定理解的对不对，仅供参考点可能在三角形内，也可能在三角形外，点在三角形内则返回0；在三角形外则返回点到三角形的最短距离。三角形三个点为（A，B，C），另外一点为P思路是：利用面积来计算如果点在三角形内：则该点P与点ABC组成的三角形PAB，PAC，PBC面积之和等于ABC，包括点在边上的情况。如果点在三角形外：则计算PAB，PAC，PBC的面积和ABC的面积以及各边边长，利用面积等于底×高/2，可以求出距离d。点到AB的距离dAB：dAB=2*PAB/AB；PAB表示三角形PAB的面积

原创 列表创建踩坑——一个值改变其余值也会改变

dp = [[float('inf')]*2]*(2+1)dp1 = [[float('inf')]*2 for _ in range(2+1)]dp[1][0] = 1dp1[1][0] = 1print((dp))print((dp1))[[1, inf], [1, inf], [1, inf]][[inf, inf], [1, inf], [inf, inf]]因为乘法是引用的地址，for循环是创建新地址内存也可以利用深拷贝解决...

原创 列表“维度”转换，三维转二维，二维转一维

a=[[[1,2,3],[1,2,3]],[[4,5,6],[4,5,6]]]print(a)print(sum(a,[]))b=sum(a,[])print(sum(b,[]))结果[[[1, 2, 3], [1, 2, 3]], [[4, 5, 6], [4, 5, 6]]][[1, 2, 3], [1, 2, 3], [4, 5, 6], [4, 5, 6]][1, 2, 3, 1, 2, 3, 4, 5, 6, 4, 5, 6]

原创 标签平滑+交叉熵

import torchimport torch.nn as nndef CrossEntropyLoss_label_smooth(outputs, targets, num_classes=3, epsilon=0.2): N = targets.size(0) # torch.Size([8, 10]) # 初始化一个矩阵, 里面的值都是epsilon / (num_classes - 1) smoothed_labels = torch.full(size=(N,

原创 pytorch加载自己的数据，自定义方式

import torch.nn as nnimport torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport numpy as npfrom numpy import *import randomimport matplotlib.pyplot as pltfrom torch.utils.data import DataLoader,Datasetfrom torchvision imp

原创 opencv读取摄像头采集视频并保存

import cv2cap = cv2.VideoCapture(0)fourcc = cv2.VideoWriter_fourcc(*'XVID')out = cv2.VideoWriter('lianzheng.avi', fourcc, 20.0, (640, 480))while True: ret, frame = cap.read() print(frame.shape) out.write(frame) cv2.imshow('frame', fram

原创 yolov5训练

首先安装vc++2015 再下载我上传的资源打开文件之后如下用cmd cd到下面文件的路径，再使用python setup.py build_ext --inplace命令安装即可。

原创 Python堆排序

def jiandui(li,low,high): i=low tmp=li[i] j=2*i+1 while j<=high: if j+1<=high and li[j]<li[j+1]: j+=1 if tmp>=li[j]: li[i]=li[j] break else: li[i]=li[j] i=j j=2*i+1 li[i]=tmpli = [i for i in range(100)]import rand

原创 Python选择排序

def xuanze(li): for i in range(len(li)-1): min_loc=i for j in range(i+1,len(li)): if li[j]<li[min_loc]: min_loc=j if min_loc!=i: li[i],li[min_loc]=li[min_loc],li[i]li = [3,2,4,1,5,7,9,6,8,1,2,456,7879,454,12,121,21,15,454,5,545,4545,5,

原创 Python快速排序

def kuaisu(li,l,r): if l<r: mid=function(li,l,r) kuaisu(li,l,mid-1) kuaisu(li,mid+1,r)def function(li,l,r): tmp=li[l] while l<r: while l<r and tmp<=li[r]: r-=1 li[l]=li[r] # li[r]=tmp while l<r and li[l]<=tmp: l+=1

原创 Python冒泡排序

冒泡一def maopao(Li): for i in range(len(li)-1):#拿第i个数与后边的数字逐个比较，所以不需要选到最后一个数字，故len(li)-1 for j in range(i+1,len(li)):#因为拿i下标后的一个元素与i对应数字比较，所以这里j从i+1开始 if li[j]<li[i]:#如果i后的数字有比i下标对应的数字，就交换两者，此时i下标对应的数字是一个更小的数字，直到把最小的数字赋予i下标，此时无序区减少一个数字 li[i],li

原创 Python插入排序

li = [3,2,4,1,5,7,9,6,8]def sort(li): for i in range(1,len(li)): temp=li[i] #因为是插入排序，手中要现有一个数字，然后在抽取一个数字与手中的数字比较， j=i-1 #因为首先抽取的是第二个数字，所以要先于第一个数字比较，也就是下标减一 while j>=0 and temp<li[j]:#当j>=0时说明前面还有数字，所以继续比较，当手里的数字小于与之比较的数值时，还要

原创 注意力机制之CBAM

import torchimport mathimport torch.nn as nnimport torch.nn.functional as Fimport numpy as npclass BasicConv(nn.Module): def __init__(self, in_planes, out_planes, kernel_size, stride=1, padding=0, dilation=1, groups=1, relu=True, bn=True, bias=Fal

原创 cuda9.0+cudnn v7.5.0 +win7+tensorflow-gpu1.12.0+tensorflow-cpu1.12.0安装步骤

先去下载cudnn v7.5.0链接：https://pan.baidu.com/s/1my7kmsEtzewFUQ_a_tPc9A提取码：640g再去下载cuda9.0 win7链接：https://pan.baidu.com/s/1qIFD3Aemut1DejE-NmfR6g提取码：euc9cuda9.0下载完成直接安装就行，一直点下一步第二找到cudnn文件下的这三个文件夹复制粘贴到下面的文件夹里C:\Program Files\NVIDIA GPU Computing Toolkit

原创 TXT文件写入方法

year=1list_file = open('%s.txt'%(year), 'w')list_file.write('kl')list_file.close()

原创 getitem len

class Person(object): def __init__(self,persion_list): self.persion_list=persion_list def __getitem__(self, item): return self.persion_list[item] def __len__(self): return len(self.persion_list)body=Person(["Xiuwu","Adn

原创 Keras之ImageDataGenerator（图像生成）函数的应用详解

不去讲那些晦涩难懂的东西，直接上代码第一、图像原图# Plot imagesfrom keras.datasets import mnistfrom matplotlib import pyplot# load data(X_train, y_train), (X_test, y_test) = mnist.load_data()# create a grid of 3x3 imagesfor i in range(0, 9): pyplot.subplot(330 + 1 + i) p

转载 PyTorch 学习笔记：transforms的二十二个方法

本文截取自《PyTorch 模型训练实用教程》，获取全文pdf请点击：https://github.com/tensor-yu/PyTorch_Tutorial文章目录一、 裁剪——Crop1.随机裁剪：transforms.RandomCrop2.中心裁剪：transforms.CenterCrop3.随机长宽比裁剪 transforms.RandomResizedCrop4.上下左右中心裁剪：transforms.FiveCrop5.上下左右中心裁剪后翻转: transforms.TenC

原创 怎么显示Keras的网络结构和其中的参数

有很多时候我们想要查看自己的网络结构和其中的参数，用以下方式解决可以使用函数plot_model(model, to_file=‘Flatten.png’, show_shapes=True)打印出model的简略信息，从中就可以看出各层的输入输出shape。那么需要安装什么库呢？1，pip install pydot2，pip install pydot-ng3，去官网安装graphviz pip工具安装的不行哦，链接选择msi版本 ，一路next就行，安装之后最好重启一下编译器。

原创 tf

tf版本1.13.1 ，numpy版本1.16.4.

原创 opencv常用函数总结（三）之形态学转换

opencv常用函数总结之形态学转换（三）import cv2 as cvimport numpy as npfrom matplotlib import pyplot as pltimg = cv.imread('j.png',0)#侵蚀kernel = np.ones((5,5),np.uint8)erosion = cv.erode(img,kernel,iterations...

原创 opencv常用函数总结（二）

opencv常用函数总结（二）**按位运算提取图像的一部分这里要学的函数是**cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)**cv2.cvtColor()函数有两个参数(input_image,flag)第一个参数是imread读取的图像，flag为cv2.COLOR_BGR2GRAY为转为灰度，为cv2.COLOR_BGR2HSV是转为HSV。主...

原创 opencv常用函数总结（一）

**opencv常用函数总结（一）**opencv的使用首先需要import cv2，一般还要使用numpy，import numpy as npopencv主要用于对于图像的处理，那么我们首先要学的就是导入图片**读取保存图像**这里我们需要学的函数是cv2.imread(‘input_image’,0)imread函数有两个参数，第一个参数是图片路径，第二个参数表示读取图片...

原创 setmousecallback的说明

**setmousecallback的说明**void setMousecallback(const string& winname, MouseCallback onMouse, void* userdata=0)winname：窗口的名字onMouse：鼠标响应函数，回调函数。指定窗口里每次鼠标时间发生的时候，被调用的函数指针。 这个函数的原型应该为void onMouse(...

原创 Keras中的fit、fit_generator、train_on_batch的用法介绍

首先是fit，是最常用的也是最基础的。**fit() 以固定数量的轮次（数据集上的迭代）训练模型。**fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=...

原创 Python中f的用法和str.format()

在Python3.6之前是r"C:\Users\Administrator\Desktop\Sample{}".format(5)这样用的，并没有f的用法.后来Python3.6才加入了f的用法rf"C:\Users\Administrator\Desktop\Sample{5}"。

原创 类调用类之一

原创 TensorFlow中文官方社区

TensorFlow中文官方社区

原创 支持向量机（SVM）+SMO算法讲解

支持向量机（SVM）+SMO算法讲解关于模式识别学习，我自己认为就是边看代码边学习比较好，因为只看概念很容易造成误解，认为自己都懂了，其实还很浅显，要想深入理解，还是必须结合代码。文中所需的数据我会放到资源中，以供大家学习。def testDigits(kTup=('rbf', 10)): dataArr,labelArr = loadImages(r'C:\Users\Admini...

原创 神经网络基础知识

神经网络出现了很多年了，它曾经沉寂，但如今他又火热起来，尤其是卷积神经网络（CNN）在图像识别领域具有广泛应用和不可替代的优势。首先从简单的神经网络说起：M-P模型：它是首个通过模仿神经元而形成的模型。在模型中，多个输入xi(i=1，…，n)，对应一个输出y。让每个输入xi乘以对应的权重wi，然后相加求和得到y结果之和如果大于阈值h，则输出1，否则就输出0。上述的f（x）就是激活函数，就...

原创 numpy中np.A的用法

numpy中np.A的用法看懂了吗？就是将矩阵转化为数组形式

原创 strip和split用法解释

**strip和split用法解释**strip英文意思为去除、去掉的意思看下面例子就知道，strip是去除字符串中的21，但是只去除头部和尾部的，中间的不归他管。split的英文意思为，剥离，分离。也就是以21为分割，同时去除21，然后组成列表。如例，21前面为空，所以空成为一个元素，21中间为34,34成为一个元素，21后边为56,56成为一个元素。...

原创 图像数据中心化处理——KNN算法数据处理

把数组的有效部分置于数组的中心位置——KNN算法数据处理import numpy as npimport operatorimport osfile=open(r"C:\Users\Administrator\Desktop\shuju\sample\Sample011\011.txt")#路径自己改sample_mat=np.zeros((75,100))# print(file)...

原创 Class高级用法———类调用类再调用函数

import numpy as np def function1(key): # print(key.ndim) if key.ndim==1: for i in range (len(key)): key[i]=1 elif key.ndim==2: for i in range(len(key)): for j in range(len(key[i])): ...