qq_36134287的博客

原创 tmux常用命令及快捷方式

(tmux 暂不能使用rz/sz)（可以实现鼠标选中窗格和移动）

原创 卷积神经网络与钩子函数——chatgpt

在PyTorch中，钩子函数（hook）是一种用于拦截和观察模型中间层操作的机制。钩子函数可以在模型的前向传播或反向传播过程中注册，允许你获取、修改或分析模型的中间结果。

原创 分位点Quantile

原创 拉普拉斯分布中，参数b的极大似然估计

为了求解 \(b\) 的极大似然估计，我们可以通过最大化似然函数（likelihood function）来实现。似然函数是给定观测数据下参数的条件概率。在这个问题中，我们的似然函数是拉普拉斯分布的概率密度函数。其中，\(b > 0\) 是分布的尺度参数。已知方差为 \(2^{1/2}b\)。我们要求 \(b\) 的极大似然估计。这个结果表示拉普拉斯分布的尺度参数 \(b\) 的极大似然估计是观测值的绝对值的平均。拉普拉斯分布的方差 \(Var[X] = 2b^{1/2}\)。

原创 对概率密度函数进行积分有什么含义

具体来说，如果 \(f(x)\) 是一个随机变量 \(X\) 的PDF，那么对 \(f(x)\) 进行积分，即 \(\int_{a}^{b} f(x)dx\)，其中 \(a\) 和 \(b\) 是任意常数，表示了在 \(X\) 取值范围从 \(a\) 到 \(b\) 的概率。PDF的积分在某个区间内的结果表示了在这个区间内随机变量取值的概率。这个积分的结果表示了随机变量 \(X\) 落在区间 \([a, b]\) 内的概率。换句话说，它告诉了我们 \(X\) 在这个区间内取值的可能性有多大。

原创 Linux下nvidia-smi命令实时查看GPU使用、显存占用情况

watch -n 1 -d nvidia-smi

原创 随机二值化与确定性二值化

在随机二值化中，将浮点数值映射到二进制值的过程是基于概率的。随机二值化（Stochastic Binarization）和确定性二值化（Deterministic Binarization）是两种常见的二值化技术，用于将浮点数权重或激活值转换为二进制值（通常是1和-1或0和1）。需要注意的是，随机二值化和确定性二值化都是对浮点数进行二值化的方法，用于在深度学习中减少模型的计算和存储需求，同时保持一定的模型性能。与随机二值化不同，确定性二值化的输出是确定性的，即给定相同的输入值，总是会产生相同的二进制输出。

原创 什么是条件熵

原创 信息熵怎么计算

原创 什么叫互信息

互信息在信息检索、特征选择、聚类、模式识别、机器学习等领域中有广泛的应用。在机器学习中，它通常用于衡量特征之间的相关性，以便选择最具信息量的特征来构建模型或进行数据分析。互信息也是一种常用的距离度量方法，用于衡量两个随机变量之间的相似性或差异性。

原创 什么叫期望，它具有什么样的意义，举个例子说明

原创 什么是BMACs

A 输入 * A 权重 = [1, 0, 1, 1] AND [0, 1, 1, 0] = [0, 0, 1, 0]- B 输入 * B 权重 = [0, 1, 1, 1] AND [1, 0, 1, 1] = [0, 0, 1, 1]- 累加结果 = [0, 0, 1, 0] XOR [0, 0, 1, 1] = [0, 0, 0, 1]神经元 A 的输入为 [1, 0, 1, 1]，权重为 [0, 1, 1, 0]。神经元 B 的输入为 [0, 1, 1, 1]，权重为 [1, 0, 1, 1]。

原创 MobileNetV1，V2论文详解

每个filter的通道数都为1，filter的个数等于输入的通道数，每个单通道的filter作用于输入的每个通道。filter的大小为N×C×1×1，其中N为输出通道个数，C为输入通道个数。

原创 Batch Normalization与Shift-based Batch Normalization

方差 `variance1 = ((3-15)^2 + (6-15)^2 + ... + (27-15)^2) / 9 = 60`- 均值 `mean1 = (3 + 6 + 9 + 12 + 15 + 18 + 21 + 24 + 27) / 9 = 15`- 方差 `variance2 = ((1-5)^2 + (2-5)^2 + ... + (9-5)^2) / 9 = 6`- 均值 `mean2 = (1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9) / 9 = 5`

原创 例子_float32类型的二进制值转换为十进制

在这个固定小数点表示法中，小数点的位置是固定的，并且总是位于二进制小数的最左边。尾数位可以看作是一个二进制小数，其中小数点的位置是固定的，右侧有23位二进制数字。从小数点开始，权重依次为1/2（2的-1次方），1/4（2的-2次方），1/8（2的-3次方），依此类推。请注意，这只是尾数位的值，在IEEE 754标准中，还需要考虑指数位的影响来得到完整的浮点数值。a. 确定符号位，如果为1，则该数为负数，否则为正数。采用IEEE 754标准，它包含32位（1位符号位 + 8位指数位 + 23位尾数位）。

原创 yolov2中的anchor是怎么进行聚类的

需要注意的是，anchor聚类算法的目标是选择一组适合于数据集的先验框尺寸，以便在目标检测任务中能够更好地适应不同大小的目标。- 更新聚类中心（anchor）：对于每个聚类，计算所有分配给它的标注框的平均宽度和高度，并将这些平均值作为新的聚类中心（anchor）的尺寸。- 更新聚类中心（anchor）：对于每个聚类，计算所有分配给它的标注框的平均宽度和高度，并将这些平均值作为新的聚类中心（anchor）的尺寸。6. 得到聚类结果：最终的聚类中心（anchor）即为用于目标检测的先验框的尺寸。

原创 Resnet-50网络结构与代码学习

【代码】Resnet-50网络结构与代码学习。

原创 讲讲我对mmrotate中的数据裁剪json文件的rates和gaps参数的理解

假设现在有一张1024*1024的图像，且我们的rates参数为2.0，gaps参数为100，那么，首先，1024/2.0=512，得到裁剪后图像的大小和步长均为512，然后，gaps参数除2，意味着在一个方向上每两张图片重叠的部分为50，因此，在裁剪后共有9张图像，它们的大小均为512，9张图像左上方的坐标分别为：(0,0)，(462,0)，(512,0)，(0,462)，(462,462)，(512,462)，(0,512)，(462,512)，(512,512)；