lily1234567的博客

原创 fftw 的lib导出问题

fftw对于图像处理十分常用，在导出lib的时候需要注意，可能由于机器路径等各种不可控的原因以及c盘权限问题，最好不要找lib.exe所在的c盘路径来处理，很容易出现没有权限进行读写问题，见下图其次由于环境变量等路径问题，使用lib.exe的时候，不去c盘相关路径，在其他盘，比如d盘，可能会出现如下问题，一直执行批处理，就是不出结果。。。为了避免不必要的问题，最好使用如下方式这样lib.exe精准...

原创 论文搜索

占坑用的https://arxiv.org/cvprhttps://dblp.uni-trier.de/db/conf/cvpr/index.htmleccvhttps://dblp.uni-trier.de/db/conf/eccv/index.htmliccvhttps://dblp.uni-trier.de/db/conf/iccv/index.html...

转载 pip conda 换清华源

pytpython模块安装，使用国内源可以提高下载速度。pip源更改：pip源有好几个，我一直用的清华的pip源，它5分钟同步一次。临时使用：pip 后加参数 -i https://pypi.tuna.tsinghua.edu.cn/simple例1：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas例2：我...

转载 softmax

原文：https://blog.csdn.net/bitcarmanlee/article/details/823208531.softmax初探在机器学习尤其是深度学习中，softmax是个非常常用而且比较重要的函数，尤其在多分类的场景中使用广泛。他把一些输入映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也刚好为1。首先我们简单来看看softmax是什么意思。顾...

转载 对抗样本：知其然，知其所以然

原文：https://blog.csdn.net/nemoyy/article/details/81052301 聪明汉斯的故事在二十世纪初的德国，有一匹名叫汉斯的马非常有名。在主人威廉•冯•奥斯滕的训练下，聪明的汉斯经过了一段时间的训练，掌握了简单的数学运算。当奥斯滕问汉斯“一加一等于几”的时候，它会用蹄子在地上“嗒，嗒，嗒”的敲出答案。围观的群众看到汉斯能够正确的回答各种数学题...

转载 编译matconvnet on ubuntu16.04 with cuda 9.0

http://www.cnblogs.com/xyzzhangfan/p/8594326.html最近需要用到matconvnet 在Ubuntu16.04下。 因为TensorFlow 1.6 支持了CUDA 9.0 所以新机器就直接装了9.0 但是编译matconvnet 时遇到了一些问题 特此记录一下。1.Error using mex nvcc fatal : Unsu...

转载 vlad

1.1 vlad基础概念VLAD是vector of locally aggregated descriptors的简称，是由Jegou et al.在2010年提出，其核心思想是aggregated(积聚)，主要应用于图像检索领域1.2 相关方法优缺点在深度学习时代之前，图像检索领域以及分类主要使用的常规算法有BoW、Fisher Vector及VLAD等。BoW方法的...

转载 tensorflow.python.framework.errors_impl.InternalError，from device: CUDA_ERROR_OUT_OF_MEMORY

此文为解决机器学习中使用tensorflow，在运行代码出现上述报错情况1.先运行nvidia-smi 检查GPU运行情况，若内存够用进入22.代码应作已下修改 import tensorflow as tf import os os.environ["CUDA_VISIBLE_DEVICES"] = '0' #use GPU with ID=0...

转载 回归任务损失函数

“损失函数”是机器学习优化中至关重要的一部分。L1、L2损失函数相信大多数人都早已不陌生。那你了解Huber损失、Log-Cosh损失、以及常用于计算预测区间的分位数损失么？这些可都是机器学习大牛最常用的回归损失函数哦！机器学习中所有的算法都需要最大化或最小化一个函数，这个函数被称为“目标函数”。其中，我们一般把最小化的一类函数，称为“损失函数”。它能根据预测结果，衡量出模型预测能力的好...

转载 线段相交 叉积

判断 2 个线段相交有很多方法，最直接的方法就是直接计算两条直线的交点，然后看看交点是否分别在这两条线段上。这样的方法很容易理解，但是代码实现比较麻烦。还有一种常用的方法是通过向量叉积来判断的，这种方法不需要算出直线方程，在代码实现上比较简便。 用这种方法判别线段是否相交一般分为两步： 1. 快速排斥实验 2. 跨立实验快速排斥实验我们首先判断两条线段在 x 以及 y 坐标的投影...

转载 判断两条线段是否相交

double determinant(double v1, double v2, double v3, double v4)  // 行列式  {      return (v1*v3-v2*v4);  }    bool intersect3(Point aa, Point bb, Point cc, Point dd)  {      double delta = determ...

原创 Can't parse message of type "..." because it is missing required field问题

一次使用linux下训练的caffemodel在windows下使用，由于caffe版本不一致，出现这个问题，检查第三方库特别是protobuf版本一致的情况下，还是有这个问题，最后查看后面出现哪些字段无法解析，发现一个共同点就是这些字段都是required的，所以将requires改成optional就好了。...

原创 ubantu下编译caffe关于makefile的一些环境配置问题

在编译flownet2的时候由于使用make的方式，原作者建议的方式是make的方式，由于环境的不一致，导致出现recipe for target 'python/caffe/_caffe.so' failed这个问题，网上很多关于这个错误的解决方案，按理说应该是有效的，但是我的环境并没有效果，究其原因是作者提供的makefile实在/usr下进行寻找opencv，而我的/usr下的opencv确...

原创 OpenCV 4.x+ requires enabled C++11 support

为了解决这个问题，可以在Makefile中的g++编译命令里添加-std=c++11的flag。对于caffe，则是在CXXFLAGS += -pthread -fPIC $(COMMON_FLAGS) $(WRANINGS)之后添加-std=c++11

转载 FFT相关，padding0

源网址：https://www.vfe.cc/NewsDetail-878.aspx经常看到FFT补零是否可以提高频率分辨率的讨论，事实上，只要我们明确傅里叶变换的本质，就很容易判断补零对傅里叶变换的影响。　　从根本上讲，傅里叶变换仅仅是一种变换而已。所谓变换，是指经过傅里叶变换，得到的是输入信号的另外一种表现形式。　　具体上讲，傅里叶变换是一种时域与频域之间的转换，傅里叶变换的输入是...

转载 c++ 和cuda混合编程

 装好CUDA 5.5 sdk后，默认会自动添加好系统环境变量。  因此不需要额外配置，不过为了保险起见，可以选择性地添加以下环境变量： CUDA_BIN_PATH　　%CUDA_PATH%\binCUDA_LIB_PATH　　%CUDA_PATH%\lib\Win32CUDA_SDK_BIN　　%CUDA_SDK_PATH%\bin\Win32CUDA_SDK...

转载 激活函数相关资料

[1]. http://www.faqs.org/faqs/ai-faq/neural-nets/part2/section-10.html[2]. http://papers.nips.cc/paper/874-how-to-choose-an-activation-function.pdf[3]. https://en.wikipedia.org/wiki/Activation_funct...

转载 cnn不变性讨论

大致结果就是cnn具有位移不变性，但是完全不具有旋转不变性；或者说想要网络学习旋转不变性没有直接旋转扩充样本来的实际。位移不变性到底是那个层起到的作用也存在不同的意见，有的认为是pool，有的认为是卷积或者FC。https://blog.csdn.net/xiaojiajia007/article/details/78396319https://blog.csdn.net/baid...

原创 cnn训练技巧1

cnn调参技巧记录，好的参数不光可以加速模型收敛，而且可以有效的避免很多错误。当然在很多简单任务中可能完全随机的模型初始参数，简单的一些建议学习率以及动量都可以得到一个比较满意的结果，比如单一，简单的降质模型下的图像生成，类别简单少量的一些分类任务等，不好的初始化参数是可以应对简单任务的。但是对于复杂任务就很难了，因为初始化参数选择的不好，导致结果十分不可控。因为不好的初始化参数导致结果很不可靠，...

原创 libhdf5_hl.so.100 无法找到问题

本人环境经常出现libhdf5_hl.so.100  无法找到问题,所以记录下sudo cp -s /home/wjl/anaconda3/pkgs/hdf5-1.10.1-h9caa474_1/lib/libhdf5_hl.so.100  /usr/lib/libhdf5_hl.so.100   ...

原创 cuda_launch_config.h:127] Check failed: work_element_count > 0 (0 vs. 0)

这个问题真奇怪，很多地方说版本问题，没有请自实验，因为我的机器不是所有tensorflow的程序都不能跑，所以不敢随便变化，只是在程序中加了os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"os.environ["CUDA_VISIBLE_DEVICES"] = "0"这个设置就ok了，奇怪不奇怪-_--_-其他方案https://st...

原创 GAN平衡G和D的训练

如下所示GAN输出的训练日志Epoch: [ 1] [ 468/ 500] time: 4728.2349, d_loss: 4.07427502, fake_loss: 4.04856014, real_loss: 0.02571472, g_loss: 6.09300184Epoch: [ 1] [ 469/ 500] time: 4731.1465, d_loss: 3.9925010...

原创 ubantu下用户a要使用用户b安装好的环境问题

 比如用户a没有安装tensorflow相关环境，但是统一机器用户b安装了，那么a可以通过export path使用别的用户安装好的环境export PATH=/home/dh/anaconda3/envs/anaconda3_pytorch/bin:$PATH...

原创 tensorflow学习杂记

使用tensorboard可视化的时候，不小心没有ctrl+c关闭接口，那么可以使用lsof -i:6006 看一下，那么后面显示的信息bin$ lsof -i:6006COMMAND     PID USER   FD   TYPE  DEVICE SIZE/OFF NODE NAMEtensorboa 13562  ××    5u  IPv4 1358572      0t0  TCP *:...

转载 tensorflow学习杂记

比如，从他人处获得一个Graph，想看看它的结构，怎么弄？Google提供了一个工具，TensorBoard，它能以图表的方式分析你在训练过程中汇总的各种数据，其中包括Graph结构。所以我们可以简单的写几行Pyhton，加载Graph，只在logdir里，输出Graph结构数据，并可以查看其图结构。可参考：http://www.tensorfly.cn/tfdoc...

原创 tensorflow学习杂记

with tf.device("/gpu:0"): config = tf.ConfigProto(allow_soft_placement=True)处理如下错误Cannot assign a device for operation 'save/RestoreV2_14': Could not satisfy explict。。。。。。...

转载 0xc000007b问题

DLL附加依赖项查看——DUMPBIN开始->所有程序->Microsoft Visual Studio ->Visual Studio Tools->Visual Studio命令提示 查看程序或动态链接库需要的动态链接库dumpbin /dependents  d:\test.exe   查看动态链接库的输出函数dumpbin /exports d:\libmysql....

转载 vs生产dll时,没有生产对应的lib的问题

原因可能有三个：1）在Settings->Link中的General选项页中，选中了“Doesn't produce LIB”复选框。2）整个动态链接库中没有导出的函数或类。3）所有导出函数的实现均写在在头文件中。解决办法：在工程上右键 -> 添加 -> 新建项 -> 选"模块定义文件(.def)" -> 随便输入个名字 -> 添加现在编译就可生成.lib 文件...

原创 c4251最简单解决方案

转载 深度学习--深度信念网络（Deep Belief Network）

本篇非常简要地介绍了深度信念网络的基本概念。文章先简要介绍了深度信念网络（包括其应用实例）。接着分别讲述了：(1) 其基本组成结构——受限玻尔兹曼机的的基本情况，以及，(2) 这个基本结构如何组成深度信念网络。 本文仅仅能使读者了解深度信念网络这一概念，内容非常浅显，甚至有许多不严密的地方。如果有愿意深入了解受限玻尔兹曼机、深度信念网络的，想对深度学习有更多了解的，请访问深度学习官方网站。或者读者...

原创 caffe显存问题

caffe在test的时候，blob的capacity_这个值是初始化是根据deploy的h和w来确定的，在真正开始跑的时候，可能test的时候输入尺寸并不是deploy的大小，比这个大小小的时候，在reshape之后，由于count_的值小于capacity_导致capacity_并不更新，从而在分配显存的时候，总是对不上，感觉显存多分配了。这是在图像超分遇到的问题，如果不存在这个用法，也就是说...