- 博客(62)
- 收藏
- 关注
RSS订阅
原创 图文并茂——频分复用、时分复用、码分复用、复用和多址的区别
复用和多址的区别复用和多址的区别，就是复用针对资源，而多址针对用户复用（Multiplexing）这个词通常用在传输上，将一个物理信道根据时间、频率、空间等资源划分为多个虚拟信道。这么做的好处有二：一是减少管道的个数，为运营商减少线路成本；二是提升单通道的容量。从作用上看都是针对传输而言的，与具体用户无关。多址则应用在接入中我们知道在同一个基站下，不同的用户利用相同的资源（同一时间，同一频率）发出通信请求肯定会发生冲突。而多址技术正是用来解决这个问题：如何划分资源块，使更多的用户终端（如手机）能够在不
2020-05-12 21:01:27
40623
9
原创 matplotlib绘制多个子图（汉字标题，XY轴标签，加x,y刻度，给图上每个点加上数值）& PIL.Image 11行读取文件夹中照片
以下代码解决：matplotlib如何显示汉字如何在一张图上创建多个子图加图例，标题，x,y坐标范围，加x,y刻度控制线型，控制标记风格给图上每个点加上数值利用PIL.Image.read(path)读文件夹中照片图片保存1. 基本操作，效果如下import matplotlib.pyplot as pltimport numpy as npplt.rcParams['font.sans-serif']=['STSong'] # 中文宋体x=np.linspace(1,
2020-05-02 12:42:01
9263
原创 python实现K折交叉验证出现的问题--KFold和StratifiedKFold的区别、random_state（随机状态）
K折交叉验证作用：训练集和测试集的划分方法很大程度上影响最终的模型与参数的值。一般情况将K折交叉验证用于模型调优，找到使得模型泛化性能最优的超参值，同时可以测试当前模型算法的性能。...
2020-04-19 20:27:04
4944
原创 最全--python取矩阵中的一个元素、某一行、特定位置元素
以下代码可实现矩阵中任意位置元素的取值数组和矩阵中取值的区别如何将矩阵中某行数据在matplotlib上画出import numpy as npa=np.array([[1,2,3],[4,5,6],[7,8,9]])#a,b长的一样b=np.mat([[1,2,3],[4,5,6],[7,8,9]])a1=a[1,1]#取一个元素时，数组和矩阵返回值一样a2=a[:,2]...
2020-04-14 21:41:12
77759
3
原创 ModbusRTU\TCP消息帧解析（C#实现报文发送与解析）
1.下面代码模拟的是modbusTCP主站，需要开启小程序mbslave作为从站PLC，要设置slave的connection、setup两个区域的TCP相关参数。单精度浮点数：4字节。输出状态：007B 00 00 00 00 00 00 00 00 00 00 这是20个字节，解析: 第一个数为123。16进制 0X01=0000 0001，一位16进制需要4位二进制表达（F =1111），两个16进制数字表示1个字节。响应字节数（单位是字节）：02 表示两个字节，从02往后数两个字节都是数据未位。
2023-11-28 17:47:25
2690
原创 C#基础知识点
目录课程一、C#基础1.C#编译环境、基础语法2.Winform-后续未学完课程二、Timothy C#底层讲解一、类成员0常量1字段2属性3索引器5方法5.1值参数（创建副本，方法内对值的操作，不会影响原来变量的值）5.2引用参数（传的是地址，方法内对值的操作，出了方法后原来的值也被修改）5.3 输出参数(普通方法一次调用只产出一个返回值，但希望一次调用返回多个输出值，所以用输出参数)5.4 数组参数 parmas(可供函数输出多个值)5.5 具名参数(调用方法时，参数带有名字，位置随意)5.6 可选参数
2023-08-29 21:22:32
654
原创 c#多线程—基础概念到“双色球”项目实现（附知识点目录、代码、视频）
总结：视频中对于多线程讲的非常透彻，从线程基础概念—>.net不同版本出现的线程方法—>多线程常出现问题—>双色球项目实践，每个知识点都有代码实操，受益匪浅。附上学习笔记和实操代码。
2023-08-29 21:09:44
1813
原创 基于python实现Web自动化测试（selenium）、API自动化测试(requests)&附学习视频
web自动化（selenium）API自动化（requests）
2022-08-09 22:04:20
2589
2
原创 一个网站查遍所有英文文章 “会议地点及出版商”（亲测搜了80篇全部有效）
说明：本人用下面方法进行会议文章（英文） 会议地点及出版社的搜索，连搜80篇文章没有任何问题！第一步：打开谷歌学术镜像网站，不用翻墙的那种：链接在搜索框输入要搜索的英文文章，然后点击所有6个版本...
2022-03-19 15:41:29
7038
4
原创 目标检测原理&代码实现（pytorch+yolov3）
目录一、目标检测 VS 图像分类 VS 图像分割二、目标检测1、目标检测基础理论2、基于深度学习的目标检测Two-stage流程One-stage流程3、人脸业务场景https://www.bilibili.com/video/BV1u44y1J7yV?p=2&spm_id_from=pageDriver一、目标检测 VS 图像分类 VS 图像分割图像分类只需要将图片分类别即可，目标检测，先定位再分类目标定位/检测：大体定位出框子语义分割：相同语义的为一类颜色，图中紫色，像素级别..
2022-03-09 15:16:40
11260
1
原创 pycharm远程服务器，点击run正常运行，使用终端命令报错 no module
问题描述:我们在配置pycharm远程服务时，会事先设置好pycharm的解释器，因此在点击run时，会在相应的虚拟环境下找到相关的库函数（如下），可以正常运行代码。而使用Terminal终端运行代码时，会出现no module现象，但是明明自己下载了相应的库函数，原因在于使用终端时，默认使用的是anaconda3下的base环境下的库文件，而我们想用的库文件却在虚拟环境envs/pytorch_gpu中，导致no module出现。解决方法：激活虚拟环境指定python解释器不再直接使
2022-03-06 12:03:48
1603
2
原创 学习笔记--＞Postman接口测试
接口：对于一个服务器系统来讲，分为前端和后端，前端就是html页面对用户的展示，后端就是具体功能的实现，前后端之间的数据交互就是接口，系统内部组件的交互叫内部接口测试（电商的登录服务），系统间的接口测试叫外部接口测试（天气预报）。内部接口 http协议外部接口 soap协议（ou）why接口测试：1.数据的错误是致命的，说明功能失败（比如价格）2.UI界面太多，测试无法穷尽3.越早介入测试，修复bug成本越低客户端如何按照协议从服务端获取数据？一、请求方式（get,post,delete,
2021-11-06 23:01:36
7902
2
原创 学习笔记--＞MySQL（知识点罗列有序--常用查询+SQL索引）
MySQL学习笔记基础介绍与配置开启服务+进入数据库管理系统语言部分书写规范查询语言(DQL)1.基础查询2.条件查询where3.排序查询4.单行函数5.分组查询6.连接查询sql92连接sql99连接【推荐使用】7.子查询8.分页查询（广泛使用）基础介绍与配置开启服务+进入数据库管理系统1–开启本地mysql服务计算机管理系统命令行net stop/start mysqllin2–拿着密码进入管理系统用户名root密码123456退出：exit /ctrl+c语
2021-11-05 23:15:57
795
原创 学习笔记--＞Jmeter性能测试&postman接口测试
目录脚本录制1.第三方BadBoy录制（只支持web不支持app）2.http代理服务器录制（手机测试，web测试）3.手动编写接口操作参数化（数据驱动）1.前置处理器参数化2.CSV Data Set Config 参数化（常用）3.函数助手方式采用随机参数化（冒烟测试）小知识点1. 事务&元件&结果树2.集合点完成秒杀任务（考验系统高并发）3.检查点4.响应时间5.其他思维导图脚本录制脚本录制前写好测试用例（写好测试点，登录，发帖子），直接一气呵成，不要返回这些操作，因为每一个
2021-11-05 22:58:40
1933
1
原创 机器学习视频推荐-绝对的通俗易懂（线性回归，逻辑回归，朴素贝叶斯分类器，K-近邻，SVM，决策树，随机森林，XGboost，k-means聚类）
目录机器学习流程有监督算法（回归，分类）1.分类(classification)与回归(regression)的区别与关系2.线性回归3.逻辑回归（是一个分类算法，可处理二元分类及多元分类）3.1逻辑回归解决二分类问题4.K近邻算法（k-nearest neighbor classification算法）5.朴素贝叶斯分类器（Naive Bayes Classifier）-判垃圾邮件6.SVM（支持向量机-线性分类器）7.决策树（处理非线情况）7.1使用决策树判断是否打golf8.随机森林9.XGBoost
2021-10-04 21:23:36
817
原创 python多进程、多线程、(并发\并行\串行)
说明相应的学习视频见链接，本文只对重点进行总结。B站视频-黑马程序，以及相应的黑马视频课程同步的CSDN，写的细致多进程重点（只要看下面代码的main函数即可）创建如何开守护进程多进程，开销大，用for循环调用多个进程时，后台cpu一下就上去了import timeimport multiprocessingimport osdef dance(who,num): print("dance父进程：{}".format(os.getppid())) for i
2021-08-16 20:15:59
1624
1
原创 学习笔记--＞Java01
JAVA学习目录变量要附上数据类型进制说明进制转换标识符规范运算符1.算术运算符2.逻辑运算符3.位运算3.三元运算符程序流程控制分支1字符=2字节1字节=8bit(由0，1组成)println（" "）只能用双引号char a=‘c’ 只能用单引号数据类型变量要附上数据类型进制说明进制转换标识符规范char c1=5 :5表示真正的数字5char c1=‘5’ :'5’表示的是ascll码中的存储，对应的输出是53char c1=
2021-08-12 09:07:16
166
原创 学习笔记--＞Python\Java\C#基本语法对比使用
目录Python基础语句Java基础语句==说明：本人学了Java和Python后，感觉用法有点混淆，故做此笔记，以供后续查看！全是基本语法的使用。==Python基础语句#说明#python中单引号和双引号没有区别，一样使用#message="AaD"message1="i love 3"#1.使用“+”连接时无空格，使用“,”连接是有空格的print(message.lower()+message.upper()+message.title())#aadAADAadprint(m
2021-08-12 09:02:06
347
1
原创 Java中数组和List集合的相互转化及遍历（详解）
由于集合中存的是引用数据类型(对象)int 数组中存的是基本数据类型，所以转化时，要注意。public class Test4 { public static void main(String [] args){ //1.数组转集合 //1.1.直接添加 List arr1=Arrays.asList(1,"a","ccc"); System.out.println(arr1);//[1, a, ccc] /
2021-08-09 15:56:56
392
原创 OpenCV自动检测图像中的物体并裁剪（附整个项目代码python）
直接上效果图，看看是否是你的需求项目要求：给定图片，自动检测最小外接矩阵，并裁剪。文章底部附上整个项目的代码，只需改动main函数的输入图像地址，就可得到本文陈列的所有效果图。左1：根据cv2.findContours()找到多个轮廓，中间：根据最大轮廓原则选择最大的2个轮廓并求出相应最小外接矩阵，右1：根据外接矩阵提供的坐标进行裁剪。step1： 加载图片，转成灰度图，用Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，通过这个减法，我们留下具有高水平梯度和低垂直梯度的图
2021-06-30 16:28:30
6326
8
原创 Multi-Similarity Loss & Hard Triplet loss（附代码pytorch）
MS-Loss包含两部分，前一部分是Positive Part, 后一部分是Negative Parti) Positive Part(只考虑与Anchor同类样本间的关系，与anchor相似度越小，惩罚力度越大)图中0.7，0.4表示余弦相似度，值越大，则表示两者的特征越相似补充：余弦距离与欧式距离它们近似反比关系，因此图中，0.4的红线明明很长(欧式距离)，但是值（余弦距离）很低。x1 = Anchor, x2,x3 = positives，通过门限λ，将同类样本分成2parts，与x1相似程
2021-06-17 21:12:00
2588
2
原创 OSNet代码解析（普通卷积，分组卷积，深度可分离卷积，OSblock组成）
文章目录普通卷积和分组卷积普通卷积和深度可分离卷积用深度可分离卷积（LightConv3x3）代替普通卷积（Conv3x3）减少参数OSBlock （bottleneck）OSNetOSNet之所以轻量(2.2M)在于网络浅，使用深度可分离卷积代替传统卷积，但是很有效普通卷积和分组卷积所谓分组卷积，就是右图的input features分成一组一组，如上图groups=3,那么输入的特征分成3组，每组有12/3=4的通道的特征参与输出。然后根据输出通道的维度，得到每组的输入特征要计算两次(6/3=2
2021-06-09 21:58:33
6740
10
原创 python蓝桥杯(考前一定要掌握的常用函数及问题)
蓝桥杯常用函数InputInput直接返回str，所以要加int1、输入一个数字直接 m = int(input())2、输入两个数字就是 m, n = map(int, input().split())3. a,b=map(int,input().split("#"))4. str=list(map(int,input().split()))#这样可以一行输入无线多的数据，用list盛放5. 连着输入for i in range(t):
2021-06-09 15:01:23
9379
5
原创 Bottleneck Transformers（单头，多头，关系矩阵理解）以及讲解视频，torch代码
目录Bottleneck transformersBottleneck Transformers与自然语言处理中的自注意力对比代码Bottleneck transformers唐宇迪-transformer视频讲解Bottleneck transformers论文视频讲解就是将restnet50的c5层的三个残差块中的3x3卷积操作进行替换Bottleneck Transformers与自然语言处理中的自注意力对比单头数据流描述多头这里展示head=2多头就是将上述的c=10
2021-05-28 17:01:38
2222
11
原创 画图分析Dual Attention（CAM、PAM）、non-local、CCNet、Relation-Aware Global Attention关系矩阵的具体含义--附代码)
初衷：在读代码时，只知道要对于PAM,CAM要 求出相应的关系矩阵，但这个关系矩阵是怎么求的，以及为什么要这样做就有效果，一直是云里雾里，所以本篇根据tensor数据流，将重点tensor的生成过程以及所表示的含义，画了出来，方便理解。PAMCAM代码import numpy as npimport torchimport mathfrom torch.nn import Module, Sequential, Conv2d, ReLU,AdaptiveMaxPool2d, Ada
2021-05-22 15:19:51
2405
1
原创 pytorch_gpu(cuda 10.2)安装，百度云链接WHL文件
安装torch时，出现各种包，版本不匹配等问题，而且离线torch文件下载很慢，当你需要某一个包时，博客上要花币才能下载，而且不一定能解决你的问题，所以我要把下好的WHL文件免费贡献出来。我电脑是cuda 10.2，根据官网提示，我要下载以下的库，下好之后发现不能用，因为不同anaconda中自带的python版本不同，导致python与torch的包不匹配，又重下载anacoda。百度云链接，里面有三个链接：https://pan.baidu.com/s/1-ayVdi6ud2WwFx8di..
2021-01-29 20:49:35
2031
2
原创 三步教你加载神经网络预训练模型----通用型（pytorch）
客官别急，三步教你从容的加载预训练网络参数1.拿到网络后先查看网络模型和预训练模型，2.将网络模型和预训练模型的键调整成一样，并加载， 3.将两者的参数都打印一下，看是否加载成功。（对应以下三点）1. 查看网络参数pretrained_dict1 = torch.load(model_path1, map_location='cpu')['state_dict']#预训练文件后缀是.tarpretrained_dict2 = torch.load(model_path2)#预训练文件后缀是.pth
2020-12-07 10:19:52
2537
5
原创 pytorch实现Cosine learning rate& warmup step decay(代码&plot图都已注释，方便调试拷贝)
Cosine learning rate decay学习率不断衰减是一个提高精度的好方法。其中有step decay和cosine decay等，前者是随着epoch增大学习率不断减去一个小的数，后者是让学习率随着训练过程曲线下降。对于cosine decay，假设总共有T个batch（不考虑warmup阶段），在第t个batch时，学习率η_t为注意：图中的lr是lambda1*lr_rate的结果便于工程上的运用，起始学习率=0.00035，尾端防止学习率为0，当lr小于0.00035时，
2020-11-17 17:06:36
12988
3
原创 图解——深度学习中数据归一化（BN,LN,IN,SN）
简介BN（Batch Normalization）于2015年由 Google 提出，开创了Normalization 先河；2016年出了LN（layer normalization）和IN（Instance Normalization）；2018年提出了GN（Group normalization）和SN（Switchable Normalization）。独立同分布（i.i.d）机器学习领域有个很重要的假设：IID独立同分布假设，就是假设训练数据和测试数据是满足相同分布，这样才能保证通过训练数
2020-10-08 16:49:33
2502
原创 pycharm如何挂载到服务器
第一步pycharm与服务器相链接可以将自己代码传到服务器相应的文件夹下第二步将pycharm的解释权设置成服务器上的解释器== 如果出现==说明你在设置pycharm解释器时，上面最后一张图的第二点project root ->lin_code的映射，与你pycharm与服务器相链接设置的映射不一样产生。所以第一步pycharm与服务器相链接设置，第二步将pycharm的解释权设置成服务器上的解释器，两者的映射路径要一致...
2020-09-29 22:53:19
975
2
原创 从网络出发讲透Harmonious Attention Network for Person Re-Identification你不懂的细节
目录HA-CNN1.总布局2.HA模块3.HA-CNN网络总分析4.Cross-Attention Interaction实验分析启发说明：网络上关于论文的描述是挺多的，但是只从论文表面很难的透彻，所以本文从网络出发，可以更好的理解HA-CNN，如果有错，欢迎指出，感谢！论文贡献点：HA-CNN交叉注意交互学习机制，以进一步提高注意选择和特征表示之间的相容性。HA-CNN1.总布局全局分支（+soft attention），目的是从整个图像中学习最优的整体特征。局部分支包含了4个直流
2020-09-23 21:19:09
682
2
原创 一张手绘图带你搞懂空间注意力、通道注意力、local注意力及生成过程（附代码注释）
soft attention（包括空间注意力、通道注意力）它们是pixel级hard attention( local 注意力)它们是region级下面讲解空间注意力、通道注意力、local 注意力的生成本人知识水平有限，要是错误的话，欢迎指正，感谢！碰巧，如果你看到了这篇文章，并且觉得有用的话 那就给个三连吧!...
2020-09-23 16:23:49
19907
21
原创 神经网络中用于图片裁剪，翻转，随机擦除的transform以及matplotlib可视化（代码逐行解释）
裁剪加翻转说明tensor->show：是将生成的tensor（三维度）生成灰度图image->show：将tensor变成Img形式再生成通道1->image->show：取tensor的一个维度，变成Img形式再生成注意随机裁剪加翻转是在图片格式上进行的，与下面随机擦除不同（在tensor上进行）这里总结了一个如何将tensor数据plt.show()出来的2种方法法1：plt.imshow(img_t[0], cmap='gray')#img_t[0]=t
2020-09-17 21:25:37
2068
原创 图文—神经网络组成（卷积层、池化层、全链接层、激活函数）与发展史（LeNet、AlexNet、VGG、ResNet、GAN）
目录单个神经元的构成卷积网的发展史2018—GAN 生成式对抗网络深度卷积生成对抗网络单个神经元的构成一个神经元接收多方输入的特征值，然后分别对特征值进行相应的加权求和，以及加上偏置量，最后通过非线性函数变换得到输出结果。多个简单的神经元之间相互连接就组成了一套完整的神经网络系统。由于输入的特征包含许多干扰因素，所以我们将低维空间映射到高维空间，将线性不可变的部分变成线性可分即激活函数的方式降低干扰因素。为了降低无关因素所对应的权值和增大具有差异性特征的权值，我们根据输出结果计算误差，反向修改各个
2020-09-16 21:57:39
4136
1
原创 神经网络下采样、上采样——图文计算
下采样示意图在经过 3×3 的卷积核过滤过滤之后，4×4 的输入信号，产生了 2×2 的特征映射上采样2×2 的输入信号，经过 3×3 的卷积核过滤，产生了 4×4 的特征映射，维度逐渐由小变大。其实反卷积的本质就是卷积的反向传播，由于反向传播的滤波器矩阵，是前向传播的转置，我们只是将反向传播的过程变成了前向传播来做，就将这种现象称之为反卷积。...
2020-09-16 09:54:16
6264
5
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人