Stephen

原创 多目录下的makefile文件编写

222

原创 Git使用教程

git的简单教程

原创 面试背诵版—操作系统

面试八股文—操作系统1. 线程池的核心参数；2. threadlocal 的实现，原理，业务用来做什么？3. threadlocal 的实现，原理，业务用来做什么？1. 线程池的核心参数；2. threadlocal 的实现，原理，业务用来做什么？3. threadlocal 的实现，原理，业务用来做什么？redis 集群模式(简历有写)有哪些，redis 持久化的方案进程通信的方式，哪一种最快？为什么？线程切换涉及到哪些的切换？线程唤醒是怎么被唤醒的？...

原创 YUV格式与RGB格式

。。

原创 C++中的数组形参

转载 目标检测 – 解析VOC和COCO格式并制作自己的数据集

VOC和COCO格式制作一、VOC格式1. 目录结构2. XML标注格式3. 制作自己的VOC数据集4. 参考代码二、COCO格式1. 目录结构2. json标注格式3. 参考代码相对其他计算机视觉任务，目标检测算法的数据格式更为复杂。为了对数据进行统一的处理，目标检测数据一般都会做成 VOC 或者 COCO 的格式。VOC 和COCO 都是既支持检测也支持分割的数据格式，本文主要分析 PASCAL VOC 和 COCO 数据集中物体识别相关的内容，并学习如何制作自己的数据集。一、VOC格式1. 目

原创 Python处理excel与txt文件

Python读写excel与txt文件一、Python处理excel文件1. 两个头文件2. 读取excel文件3. 写入excel文件二、Python处理txt文件1. 打开txt文件2. 读取txt文件3. 写入txt文件（需注意别清空了原来的内容）一、Python处理excel文件1. 两个头文件import xlrdimport xlwt其中xlrd模块实现对excel文件内容读取，xlwt模块实现对excel文件的写入。2. 读取excel文件# 打开excel文件workBo

转载 面试背诵版—C++

C++突击面试1. 编译内存相关1.1. C++ 程序编译过程1.2. C++ 内存管理1.3. 栈和堆的区别1.4. 变量的区别1.5. 全局变量定义在头文件中有什么问题？1.6. 内存对齐1.7. 什么是内存泄露1.8. 怎么防止内存泄漏？内存泄漏检测工具的原理？1.9. 智能指针有哪几种？智能指针的实现原理？1.10. 一个 unique_ptr 怎么赋值给另一个 unique_ptr 对象？1.11. 使用智能指针会出现什么问题？怎么解决？2. 语言对比2.1 C++ 11 新特性2.2 C 和 C

转载 面试背诵版—计算机网络

计算机网络面试突击第一部分：协议层次以及它们的服务类型1. OSI 七层模型2. TCP/IP 参考模型3. TCP/IP 五层参考模型4. OSI 模型和 TCP/IP 模型异同比较5. OSI 和 TCP/IP 协议之间的对应关系6. 为什么 TCP/IP 去除了表示层和会话层7. 数据如何在各层之间传输【数据的封装过程】第二部分：应用层1. HTTP 头部包含哪些信息2. Keep-Alive 和非 Keep-Alive 区别，对服务器性能有影响吗3. HTTP 长连接短连接使用场景是什么4. 怎么知

原创 PyQt5+pycharm开发环境搭建

PyQt5+pycharm开发环境搭建一、 pycharm环境准备1. 在Pycharm中点击 "file"—>"Settings" 选项2. 在弹出的界面上点击 "Tools" —> "External Tools"3. 点击 "+" 弹出Create Tool界面，按照如下方式设置 QtDesigner ：4. 点击 "+" 弹出Create Tool界面，按照如下方式设置 PyUIC：5. 点击 "+" 弹出Create Tool界面，按照如下方式设置 PyRCC：二、 编写界面并运行1.

原创 Linux常见面试题

Linux常见面试题1. Linux查看进程的2种方法2. 软链接和硬链接3. Linux系统的开机启动过程4. 什么是中断？5. GDB6. Linux下面创建线程7. 什么是交叉编译1. Linux查看进程的2种方法ps auxps命令用于报告当前系统的进程状态。a：显示当前终端下的所有进程信息，包括其他用户的进程。u：使用以用户为主的格式输出进程信息。x：显示当前用户在所有终端下的进程。pstree -aup可以带上|grep 查询特定进程。例如 pstree -aup | gr

转载 【新】CSDN文章一键打印、输出PDF（自动阅读全文、全清爽模式）

CSDN文章一键打印、输出PDF一、功能及使用方法一、功能及使用方法使用方法：按“F12”进入开发者工具，将以下js复制到 console，回车即可一键打印。功能：1、自动“展开阅读全文”2、删除顶栏、侧栏、相关文章展示、浏览信息、广告、点赞等多余信息。真正的全清爽模式。3、自动输出打印预览4、自动缩放打印页面、避免页边缘内容被裁剪。（2020/10/31 新增）最新方法：（2020/10/31）方法一：移除法更新内容：1、去除底部版权信息栏 2、新增打印页面自动缩放 3、去除多

转载 计算机网络面试突击

计算机网络面试突击第一部分：协议层次以及它们的服务类型1. OSI 七层模型2. TCP/IP 参考模型3. TCP/IP 五层参考模型4. OSI 模型和 TCP/IP 模型异同比较5. OSI 和 TCP/IP 协议之间的对应关系6. 为什么 TCP/IP 去除了表示层和会话层7. 数据如何在各层之间传输【数据的封装过程】第二部分：应用层1. HTTP 头部包含哪些信息2. Keep-Alive 和非 Keep-Alive 区别，对服务器性能有影响吗第一部分：协议层次以及它们的服务类型1. OSI

原创 如何寻找排序数组的左右边界

示例对应Leetcode的原题：: 剑指 Offer 53 - I. 在排序数组中查找数字 I.统计一个数字在排序数组中出现的次数。示例 1:输入: nums = [5,7,7,8,8,10], target = 8输出: 2示例 2:输入: nums = [5,7,7,8,8,10], target = 6输出: 0int search(vector<int>& nums, int target) { // 寻找右边界 int i

转载 Leetcode——C++突击面试

C++突击面试1. 编译内存相关1.1. C++ 程序编译过程1.2. C++ 内存管理1.3. 栈和堆的区别1.4. 变量的区别1.5. 全局变量定义在头文件中有什么问题？1.6. 内存对齐1.7. 什么是内存泄露1.8. 怎么防止内存泄漏？内存泄漏检测工具的原理？2. 语言对比3. 面向对象4. 关键字库函数5. 类相关6. 语言特性相关7. 设计模式1. 编译内存相关1.1. C++ 程序编译过程编译过程分为四个过程：编译（编译预处理、编译、优化），汇编，链接。编译预处理：处理以 # 开头

原创 计算机视觉常见问题以及对应代码段

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、图像增强二、图像扩增1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、图像增强图像增强：目的是改善的图像基础画质和视觉效果，主要包括图像去噪、提亮、超分辨率、去模糊等。二、图像扩增图像扩增：是属于数据增广大范畴内，主要

转载 一文弄懂各种loss function

一文弄懂各种loss function1. Loss function2. Rank Loss3. Circle loss有模型就要定义损失函数(又叫目标函数)，没有损失函数，模型就失去了优化的方向。大家往往接触的损失函数比较少，比如回归就是MSE，MAE，分类就是log loss，交叉熵。在各个模型中，目标函数往往都是不一样的，如下所示：朴素贝叶斯: 最大化后验概率遗传编程: 最大化适应度函数强化学习: 最大化总回报/价值函数CART决策树分类: 最大化信息增益/最小化子节点不纯度CART，

原创 神奇的bug：ValueError:order must bo one of ‘C‘ , ‘F‘ , ‘A‘ , or ‘K‘

说明： 在使用shutil库中的copy函数时候，莫名的出现了这个问题，然后google了一些相关的报错信息，很多都是说numpy版本的问题，但是我从1.16.0到1.19.4都试了，发现没能解决这个问题。解决方法：直接指定那个库的哪个函数：shutil.copy 代替 copy...

原创 PyTorch搭建卷积神经网络流程

文章目录一、卷积层1. 一维卷积层：torch.nn.Conv1d（）2. 二维卷积层：torch.nn.Conv2d（）3. 三维卷积层：torch.nn.Conv3d()二、池化层1. 1维最大池化：torch.nn.MaxPool1d()2. 2维最大池化：torch.nn.MaxPool2d()3. 3维最大池化：torch.nn.MaxPool3d()三、非线性激活层1. torch.nn.ReLU()2. torch.nn.ELU()3. torch.nn.LeakyReLU()4. torch

原创 python-opencv去除小面积区域/孔洞填充（二值图像）

上图左为原始图像，右图为填充后的图像。因为左边的图片存在很多噪声点，直接根据阈值去填充会存在问题，所以我就先对图片进行了一次二值化处理，然后调用了opencv的fillPoly函数完成孔洞的填充。import cv2import osimport numpy as npimaPath = r"E:\hand\label"output = r"E:\hand\output"imaList = os.listdir(imaPath)for files in imaList: pat.

原创 AttributeError: type object ‘h5py.h5r.Reference‘ has no attribute ‘__reduce_cython__‘

出现这个问题的主要原因还是版本不匹配，根据网上的教程降低了h5py版本到2.7.0，2.8.0以及2.10.0发现还是报相关的错误，后来在github上面发现有人用了Cython0.25.2版本后成功解决问题。github链接.pip install Cython==0.25.2...

原创 centos7如何修改默认启动内核

查看当前使用内核uname -r修改默认开机内核grub2-set-default 'CentOS Linux (3.10.0-327.el7.x86_64) 7 (Core)'查看内核修改结果grub2-editenv list查看系统安装了哪些内核包rpm -qa |grep kernel删除无用的内核yum remove 内核名称重启...

原创 分别使用PIL与opencv旋转图片的两种方法

一、利用PILimport PILfrom PIL import Imagedef rotate_1(inputpath, outputpath, value): ''' 说明 ：将图片旋转任意角度值 picin : 输入图片路径 picout ： 输出图片路径 value ： 角度值 ''' im1 = PIL.Image.open(inputpath) # 打开图片路径1 # 旋转value角度

原创 PyTorch，Tensorflow,cuda以及Nvidia驱动官方安装方式

记下备忘PyTorch官方安装方式：链接: https://pytorch.org/get-started/previous-versions/Tensorflow安装方式：链接: https://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.htmlcuda官方安装方式：链接: https://developer.nvidia.com/cuda-toolkit-archive...

原创 CUDA版本与驱动对应情况

官方声明： 运行CUDA应用程序要求系统至少具有一个具有CUDA功能的GPU和与CUDA Toolkit兼容的驱动程序。每个版本的CUDA工具包都需要最低版本的CUDA驱动程序。CUDA驱动程序向后兼容，这意味着针对特定版本CUDA编译的应用程序将继续在后续（更高版本）的驱动程序版本中工作。CUDA工具包Linux x86_64驱动程序版本Linux x86_64驱动程序版本CUDA 11.0.3更新1> = 450.51.06> = 451.82CUDA 11

原创 推荐系统召回策略之多路召回与Embedding召回

多路召回与Embedding召回 1. 多路召回 1.1 概述2. 融合排序与策略图1. 推荐系统整体架构 1. 多路召回 1.1 概述所谓的“多路召回策略”就是指采用不同的策略、特征或者简单模型，分别召回一部分候选集，然后再把这些候选集混合在一起后供后续排序模型使用的策略。可以说多路召回是介于“计算速度”与“召回率”之间的权衡后的结果。目前，工业界在实际推荐系统中几乎都是使用多路召回来得到候选集。这么做的好处是显而易见的，多路召回可以弥补不同召回之间的不足之处，召回的结果也会更好。另外，在多路

原创 推荐系统学习笔记召回策略之基于内容召回

基于内容召回图1. 推荐系统整体架构

原创 推荐系统学习笔记召回策略之基于协同过滤召回

基于协同过滤的召回1. 概述2. 基于近邻的协同过滤算法3. 相似度计算方法4. 协同过滤算法的进化—矩阵分解图1. 推荐系统整体架构1. 概述协同过滤算法在推荐系统界可谓是大名鼎鼎，甚至一度两者被划上等号。对协同过滤算法的研究最早可以追溯到1992年，Xerox开发出了一款基于协同过滤算法的邮件筛选软件，后来到了2003年，Amazon的一篇关于协同过滤的论文让其在互联网领域大放光彩，时至今日，关于协同过滤的研究已经与当前最热门的深度学习相结合，仍发挥着其不可替代的作用。基于协同过滤的推荐算法可以

原创 推荐系统学习笔记——特征工程

特征工程一、 概述二、 特征工程构建原则三、 常用的特征有哪些四、 特征选择一、 概述在机器学习界流传这样一句话：“数据和特征决定了机器学习算法的上界，而算法和模型只是不断逼近这个上限而已”。在机器学习应用中，特征工程介于“数据”和“模型”之间，特征工程是使用数据的专业领域知识创建能够使机器学习算法工作的特征过程。因此，特征工程的前提是收集足够多的数据，其次则是从大量数据中提取关键信息并表示为模型所需要的形式。合适的特征可以让模型预测更加容易，机器学习应用更加可能成功。从数学角度来说，特征工程就是将原

转载 关于深度学习推荐系统领域的15个问题

目录1. 如果领导让自己同时带一个NLP团队和CV团队，而此时对CV却不熟悉，一般如何快速建立这样的多种类型的知识体系呢？2. 王老师看好深度强化学习在推荐领域的前景么？能不能谈一下您的理解。3. 老师，我有两个问题。a.遇到样本数很少，但是特征数很多的情况下，该怎么办；b.遇到特征非常稀疏，特征虽然多，但是查得率都很低的时候该怎么办呢4. 王喆老师，请教您一个问题：推荐系统或广告系统是一个环境变化性极大的场景，在优化模型时，有哪些方法能比较好的保障线下训练结果与线上实际表现之间的一致性？谢谢！5. 如何看

转载 CVPR 2020 个人总结

这里写目录标题一些吐槽一些亮点一些感悟本文作者： lucas duhttps://zhuanlan.zhihu.com/p/149749252一些吐槽由于身在法国，而CVPR中各个项目时间设计主要还是以美国为主，所以参加各种活动并不是很方便，中间错过了几个活动和paper答疑，比较惋惜。不知道美国或者中国体验怎么样，我在法国的体验是CVPR的网站非常不稳定，时不时崩溃，或者加载速度很慢，非常消耗耐心，而且本来想看的论文就比较多，这样一来在每篇paper上能花的时间就更短。virtual c

转载 对于卷积神经网络中全连接层的理解

全连接层的推导全连接层的前向计算全连接层的反向传播全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。全连接层的前向计算下图中连线最密集的2个地方就是全连接层，这很明显的可以看出全连接层的参数的确很多。在前向计算过程，也就是一个线性的加权求和的过程，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数W，最后加上一个偏置值b得到，即 。如下图中第一个全连接层，输入有5044个神经元结点，输出有500个结点，则一共需

转载 温故知新——前向传播算法和反向传播算法（BP算法）及其推导

1. 前向传播算法所谓的前向传播算法就是：将上一层的输出作为下一层的输入，并计算下一层的输出，一直到运算到输出层为止。从上面可以看出，使用代数法一个个的表示输出比较复杂，而如果使用矩阵法则比较的简洁。将上面的例子一般化，并写成矩阵乘法的形式，这个表示方法就很简洁、很漂亮，后面我们的讨论都会基于上面的这个矩阵法表示来。所以，应该牢牢记住我们符号的含义，否则在后面推导反向传播公式时会比较懵。2. 反向传播算法（BP算法）反向传播（back propagation, BP） 算法是 “误差反向传播

转载 常用激活函数总结

激活函数总结1. Sigmoid2. tanh3. ReLU4. LeakyReLU, PReLU（Parametric Relu）, RReLU写在前面：神经网络为什么需要激活函数： 首先数据的分布绝大多数是非线性的，而一般神经网络的计算是线性的，引入激活函数，是在神经网络中引入非线性，强化网络的学习能力。所以激活函数的最大特点就是非线性。不同的激活函数，根据其特点，应用也不同。 Sigmoid和tanh的特点是将输出限制在(0,1)和(-1,1)之间，说明Sigmoid和tanh适合做概率值的处

原创 SKlearn学习笔记——聚类算法

SKlearn学习笔记——聚类算法1. 概述1.1 无监督学习与聚类算法1.2 sklearn中的聚类算法2. KMeans2.1 KMeans是如何工作的2.2 簇内误差平方和的定义和解惑3. sklearn.cluster.KMeans3.1 重要参数n_clusters3.2 重要参数init:初始簇心怎么放好?3.3 重要参数max_iter & tol:让迭代停下来3.4 重要属性与重要接口3.5 函数k_means4. 附录4.1 KMeans参数列表4.2 KMeans属性列表4.3

原创 SKlearn学习笔记——神经网络概述

SKlearn学习笔记——神经网络概述1 打开深度学习的大门:神经网络概述1.1 打开深度学习的大门1.2 神经网络的基本原理1.3 sklearn中的神经网络2 neural_network.MLPClassifier2.1 隐藏层与神经元:重要参数hidden_layer_sizes2.2 激活函数:重要参数activation2.3 反向传播与梯度下降前言： scikit-learn，又写作sklearn，是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和Matp

原创 SKlearn学习笔记——逻辑回归

SKlearn学习笔记——逻辑回归1. 概述1.1 名为“回归”的分类器1.2 为什么需要逻辑回归1.3 sklearn中的逻辑回归2. linear_model.LogisticRegression2.1 二元逻辑回归的损失函数2.2 正则化:重要参数penalty & C2.3 梯度下降:重要参数max_iter2.4 二元回归与多元回归:重要参数solver2.5 逻辑回归中的特征选择2.6 样本不平衡与参数class_weight2.5 逻辑回归中的特征选择前言： scikit-learn

原创 SKlearn学习笔记——随机森林

SKlearn学习笔记——随机森林1. 概述1.1 集成算法概率1.2 sklearn中的集成算法2. RandomForestClassifier2.1 重要参数2.2 重要属性和接口3. 机器学习中调参的基本思想4. 实例:随机森林在乳腺癌数据上的调参前言： scikit-learn，又写作sklearn，是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器学习算法。以下内容整理

原创 SKlearn学习笔记——XGBoost

SKlearn学习笔记——XGBoost1. 概述1.1 xgboost库与XGB的sklearn API1.2 XGBoost的三大板块2. 梯度提升树2.1 提升集成算法:重要参数 n_estimators2.2 有放回随机抽样:重要参数subsample2.3 迭代决策树:重要参数eta3. XGBoost的智慧3.1 选择弱评估器:重要参数booster3.2 XGB的目标函数:重要参数objective3.3 求解XGB的目标函数3.4 参数化决策树 :参数alpha，lambda3.5 寻找最

原创 SKlearn学习笔记——决策树

SKlearn学习笔记——决策树1. 概述1.1 决策树是如何工作的1.2 sklearn中的决策树2. DecisionTreeClassifier2.1 重要参数2.2 重要属性和接口前言： scikit-learn，又写作sklearn，是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器学习算法。以下内容整理自 菜菜的机器学习课堂.sklearn官网链接: 点击这里.1