- 博客(30)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 机器学习、深度学习面试问题
1.Logistic Regression and Linear Regressionhttps://blog.csdn.net/lc013/article/details/55002463?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-5.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-Blo
2020-09-09 23:35:29
709
原创 算法疑难杂题
1.盛最多水的容器，提供一个数组，为板子的高度，索引差为宽度，选出两块板子，是的组成的容器容积最大。暴力选择为C(n,2)，当然搜索时，为了简化，注意短板效应，容积大小取决于短板和宽度。使用双指针指向数组两端，每次比较两个指针指向板子的高度，固定高的板子，向内移动短的板子，因为向内移动宽度减少，同时，由于短板效应，只能说固定长版，移动短板，期望短板变长以此来获得更大值。class Solution: def maxArea(self, height: List[int]) -> int:
2020-07-07 13:11:23
932
原创 日常代码积累
1.模型的参数量求解,注意其中是model_size，如同[16,3,3,3]。 def init_length(self): for index, item in enumerate(self.model.parameters()): self.model_size[index] = item.size() for inde...
2020-02-28 21:33:45
317
1
原创 问题集积累
2019.12.051.绝对路径和相对路径，除了从根目录开始写得路径以外，其他的都是相对路径。sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))这句话就是说去出当前所写的文件的绝对路径地址，然后加入到sys系统路径中，然后就会找到后面的操作的路径了。2.num_workers：...
2019-12-05 15:22:21
3232
1
原创 【正规安装方法】Linux 下的Anaconda 安装教程
目前官网上是最新的版本，适配python3.9，想要更好适配3.6这些版本，需要下载老版本的anaconda。清华大学源地址：Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror下载好相应版本后，scp到开发机上，直接sh 执行该文件。sh xxxx.sh参考：深度学习 | Linux安装Anaconda - 知乎安装过程中，如果需要指定自己想安装的地址，在此处输入自己的地址，注意以/anacon
2022-01-14 20:38:12
830
原创 将anaconda环境进行迁移（内存不够）
组里由于开发机的内存不够需要将每个人/home/users/下的内容搬移到挂在盘上，了解了几种方法。安装anaconda的参考链接：参考，参考2anaconda的使用参考：参考移植方法参考该文档：参考将anaconda迁移到新目录，再建立软链接到原安装目录，简单有效！首先该方法需要将整体的anaconda环境打包，然后搬移到新的位置，然后解压后，在原位置上建立软链接。软链接的代码：参考 # /mnt为搬移后的位置，/home为原位置，# 在原位置建立软链接后有天蓝色的软链接文件。在搬
2021-08-04 11:55:11
3449
原创 opencv画预测框的几种方式
官方文档：https://docs.opencv.org/2.4/modules/core/doc/drawing_functions.htmlopencv画预测框的几种方式：cv2.boxPoints((x_c,y_c),(w,h),theta) 参考 参考2# 中心点坐标(x_c,y_c) 宽w 高h 旋转角度theta# 最小外接矩形，返回八个坐标值(x1,y1) (x2,y2) (x3,y3) (x4,y4)右下→左下→左上→右上 rect = cv2.boxPoi...
2021-08-04 11:27:00
830
原创 python 类的详细学习记录（包括特殊属性和特殊方法）
参考python类的成员可以分为三个方面：字段、方法和属性。注意python都是引用，不同变量的数据值假如是相同的，就会去引用同一数据，指向同一块内存（也因此实现了弱类型，因为创建变量只是创建引用，即创建指向某一块内存，修改变量，给变量赋值其他类型，也只是修改变量的引用，指向其他的内存。）在定义一个类以后，方法、属性和静态字段都是属于类的，在内存中只保存一份，只有普通字段是每个对象独有的，该类的每个对象都会创建并保存自己的一份。我们可以将存储区分为几种：程序存储区、全局存储区、静态存储区、.
2021-07-22 20:42:32
249
7
原创 APA学习记录
从半自动的APA到全自动的APA：https://zhuanlan.zhihu.com/p/69399889全自动泊车辅助系统APA（Auto Parking Assist），通过控制车辆的加减速度和转向角度自动停放车辆。该系统通过AVM（环视）和USS（超声波雷达）感知泊车环境，使用IMU和车轮传感器估计车辆姿态（位置和行驶方向），并根据驾驶员的选择自动或手动设置目标泊车位。然后系统进行自动泊车轨迹计算，并通过精确的车辆定位与车辆控制系统使车辆沿定义的泊车轨迹进行全自动泊车，直至到达最终目标泊车位。
2021-05-14 16:41:56
2514
原创 vscode连接服务器上的docker容器，Centos+Ubuntu
准备1：VScode相应版本安装，在VScode中安装相应扩展插件（Python，Remote SSH），在侧栏中有类似应用商城的插件库。ubuntu版本：准备2：一台装有docker的开发机，使用相应命令通过镜像run一个容器，在run的时候加入一个参数 ，-p 服务器端口号:22（实现端口映射）然后参考https://blog.csdn.net/u010099080/article/details/104801858Centos版本：准备2：同ubuntu版本，之外在启动容器命令中还
2021-05-13 10:02:31
602
原创 模型压缩中参数量化
参考：https://blog.csdn.net/zlgahu/article/details/104662203?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-5.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-5.control混合精度训练：https://zhuanlan.z
2020-12-09 11:15:20
2817
原创 深度学习模型压缩与加速概况
以下都是个人见解：参考：https://zhuanlan.zhihu.com/p/179945324目前的深度学习模型的训练都是在云端的服务器上面进行的，例如在GPU等功耗，资源消耗较大的设备。这是毋庸置疑的。不过对与深度学习的应用，也就是推理。目前有几种落地方式。一种是云端推理，模型推理过程在云端，将结果传输给端设备，应用场景可能有移动端编码视频传输到云端视频解码等。具体的落地设备方式有：NVIDIA的Tesla T4与寒武纪的MLU270等。这种方式都是针对的模型在云端服务器上推理的加速。h
2020-11-30 15:41:38
495
原创 pytorch中查看模型的参数量和计算量
做完剪枝后，需要看一个模型被压缩后的计算量和参数量，可以使用这两种方法。1.安装包sudo pip install torchsummarysudo pip install torchstat2.编写代码torchsummary库：统计中只有参数量import torchfrom torchsummary import summaryfrom vgg import vggmodel_path = './pruned.pth.tar'checkpoint = torch.lo
2020-09-28 21:58:52
9230
6
原创 pytorch的torch.load()与torch.save()
33.pytorch保存和加载模型参数总结参考(1) 仅仅保存和加载模型参数，保存时保存的是一个字典，字典里面包括状态字典等。torch.save(the_model.state_dict(), PATH)the_model = TheModelClass(*args, **kwargs)the_model.load_state_dict(torch.load(PATH))(2)保存和加载整个模型，保存整个模型。torch.save(the_model, PATH)the..
2020-09-19 17:42:26
1121
原创 软开、测试岗位面试总结
一、2020/08/21 美团测试开发（一面）第一次面试，没有准备好 ，面试官还是挺亲切的。面试内存计算机网络、数据库、python的一些基础知识。1.计算机网络七层模型：自上而下OSI中的上面4层（应用层、表示层、会话层、传输层）为高层，定义了程序的功能；下面3层（网络层、数据链路层、物理层）为低层，主要是处理面向网络的端到端数据流。https://blog.csdn.net/warrior_0319/article/details/804539402.HTTP的状态码：https..
2020-08-24 17:21:12
776
原创 笔试问题
注：n=int(input()) # n接受输入的一个数list1 = list(map(int,input().split())) # list1接受输入的以空格位间隔的一串数字。善用dic、list和map等，注意使用split()，list()等类型转换函数。1.递归的次数，取决于递归树，而递归树取决于轴枢的选择。树越平衡，递归次数越少。每次划分后，先处理较长的分区或者较短的分区并不能减少递归的次数，只影响递归对栈的使用内存。2.分治思想是很多高效算法的基础，如归并排序、快速排序、.
2020-08-07 12:27:50
383
原创 深度学习模型压缩预先知识
深度学习模型压缩预先知识机器学习尤其是深度学习理论基础吴恩达的机器学习与深度学习视频：网易云课堂机器学习https://study.163.com/course/courseMain.htm?courseId=1004570029深度学习https://mooc.study.163.com/smartSpec/detail/1001319001.htm (重要)注：也可以在B站搜索相关视频，还有李宏毅的机器学习视频可供选择。书籍可以选择周志华的机器学习（西瓜书），李航的统计学习
2020-07-07 12:57:17
224
原创 剑指offer力扣刷题总结
总结使用python3的刷题之路，日积月累，天道酬勤。1.两数之和--2020/3/31暴力方法，即迭代num1，同时每次迭代去寻找满足num2=target-num1的值。使用pyhton的in操作是一次遍历搜索。在C中一次循环。暴力方法要注意判断num2出现次数和避免找到num1自己。进一步提升：迭代num1（除第一个数），但在每次迭代中只对该数前面的数进行搜索（列表切片）。但最有意思...
2020-03-31 22:03:05
582
原创 PyTorch参数初始化和Finetune
前言这篇文章算是论坛PyTorch Forums关于参数初始化和finetune的总结，也是我在写代码中用的算是“最佳实践”吧。最后希望大家没事多逛逛论坛，有很多高质量的回答。参数初始化参数的初始化其实就是对参数赋值。而我们需要学习的参数其实都是Variable，它其实是对Tensor的封装，同时提供了data，grad等借口，这就意味着我们可以直接对这些参数进行操作赋值了。这就是Py...
2019-11-26 10:01:31
365
原创 Caffe中使用Python脚本在cifar10数据集上测试模型
除了使用caffe的shell命令外，还可以调用caffe的python接口来测试数据集。本文测试的模型是squeezenet，测试的数据集是cifar10，cifar10_test_lmdb中有10000张图片。大小是3X32X32。import numpy as npimport lmdbimport sysimport timeimport pdbsys.path...
2019-09-23 17:19:15
309
原创 caffe 训练模型心得
1.用caffemodel接着训练训练squeezenet，第一版训了7000次，学习率0.01，感觉没有收敛，就用了最后得模型再开始训，第二次训练时发现学习率为初始化的值不是结束时得值，再训练过程中开始导致训练的acc降低，震荡较大。可能与学习率较大有关。学习率太大难收敛，太小收敛慢或者梯度消失无法学习。batchsize太小易震荡，因为改变参数快，太大显卡遭不住，取数据慢！！2.合...
2019-08-23 21:41:14
193
原创 caffe finetune微调
什么是fine-tuning： 在别人基于caffe训练好的模型（如caffenet，googlenet等）的基础上，利用别人训练好的模型的权重参数值，通过训练自己的图片集修改最后一层的（也就是softmax）的参数和输出类别，说白了就是网络层的前面层不变作为一个特征提取器，只改变最后一层作为一个分类器，最后的训练就相当于训练了一个适合自己需求的分类器。 fi...
2019-08-22 11:19:31
155
原创 caffe 图片均值处理，网络结构图绘制，保存训练日志
一、图片均值处理caffe使用的mean处理是为了图像像素值能更接近（0，0）原点。在caffe中自带了处理均值的文件。sudo /opt/caffe/build/tools/comput_image_mean /opt/caffe/examples/mnist/mnist_train_lmdb /opt/caffe/mean.binaryproto可以看到需要两个参数，一个是数据，一...
2019-08-16 21:55:30
139
原创 caffe中train过程的train数据集、val数据集、test时候的test数据集区别
val是validation的简称。training dataset 和 validation dataset都是在训练的时候起作用。而因为validation的数据集和training没有交集，所以这部分数据对最终训练出的模型没有贡献。validation的主要作用是来验证是否过拟合、以及用来调节训练参数等。比如你训练0-10000次迭代过程中，train和validation的lo...
2019-08-12 15:56:17
401
原创 caffe训练网络，测试网络等命令
###训练网络#sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh-solver：必选参数。一个protocol buffer类型的文件，即模型的配置文件。如：# ./build/tools/caffe train -solver examples/mnist/lenet_solver.proto...
2019-08-12 15:32:26
131
原创 caffe的solver文件详解
首先，test_iter * test_batchsize = test setmax_iter * train_batchsize = train set * num_epoch，其中若solver中有iter_size，则train_batchsize = iter_size * model_batchsize。其中若model中的train层的batchsize过大，有可能会因为...
2019-08-11 17:14:11
240
原创 caffe模型配置文件——激活层，softmax，reshape层
1.激活函数层#在激活层中，对输入数据进行激活操作,是逐元素进行运算的,在运算过程中，没有改变数据的相对大小，即输入和输出的数据相对大小是相等的。###Sigmoidlayer { name: "test" bottom: "conv" top: "test" type: "Sigmoid"}#ReLU是目前使用最多的激活函数，主要因为其收敛更快，并且能保持同样效果...
2019-08-11 16:58:04
300
原创 caffe模型配置文件——数据层，卷积层，池化层，全连接层
1.数据层layer { name: "cifar" type: "Data" top: "data" #一般用bottom表示输入,top表示输出，多个top代表有多个输出 top: "label" include { phase: TRAIN #训练网络分为训练阶段和自测试阶段,如果没写include则表示该层即在测试中，又在训练中 } transfo...
2019-08-11 16:21:52
123
原创 docker上caffe利用lenet_5模型跑MNIST数据
参考博文：https://blog.csdn.net/elaine_bao/article/details/53117676caffe的整个流程就是从顶向下：caffe可执行文件调用solver文件，然后sovler文件调用模型文件，在模型文件中调用数据文件。1.进入Xshell6中连接服务器，进入服务器上安装好了的docker，查看docker镜像。2.启动相应的环境容器，这也是do...
2019-07-31 15:27:19
215
原创 Ubuntu安装拼音输入法
Ubuntu英文系统各种，中文输入法的安装：1.安装语言包System Settings–>Language Support–>Install/Remove Languages选中chinese，点击Apply应用即可，等待下载安装完成。 2.安装ibus输入法框架：$ sudo apt-get install ibus ibus-clutter ibus-gtk ibus
2018-01-25 16:03:15
14563
PX4FMUv2.4.5(标注版).pdf
2018-01-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人