6ybclawazwxz6_社区达人页

2022年10月

• 10.19 20:07:29
  发表了文章 2022-10-19 20:07:29

  Leetcode_Python 448 找到所有数组中消失的数字

  思考：我们可以设置一个计数器计算每个数出现的次数，最后为0的就是缺失的。 比较简单就不一一赘述

  
• 10.19 20:07:01
  发表了文章 2022-10-19 20:07:01

  Leetcode_Python 697 数组的度

  思考：本题目主要是找出数组的度，然后根据度对应的数值找到最短的子数列（度相同），以[2,3,4,3,6,7,7]为例。
• 10.19 20:06:25
  发表了文章 2022-10-19 20:06:25

  Leetcode_Python 645 错误的集合

  思考: 本题目主要是求出列表中重复的数据，并丢找出丢失的整数。

  
• 10.19 20:05:12
  发表了文章 2022-10-19 20:05:12

  EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning（论文阅读）（下）

  说明 动机 贡献 方法 发现 EagleEye剪枝算法 实验 实验1- 相关性的定量分析 实验2-基于自适应BN的评估方法的通用性 实验3-从修剪候选中选择最佳修剪策略的计算成本 实验4-Effectiveness of our proposed method 总结与讨论

  
• 10.19 20:04:54
  发表了文章 2022-10-19 20:04:54

  EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning（论文阅读）（上）

  说明 动机 贡献 方法 发现 EagleEye剪枝算法 实验 实验1- 相关性的定量分析 实验2-基于自适应BN的评估方法的通用性 实验3-从修剪候选中选择最佳修剪策略的计算成本 实验4-Effectiveness of our proposed method 总结与讨论

  
• 10.19 19:59:07
  发表了文章 2022-10-19 19:59:07

  The Sandwich Rule

  目标：训练一个可以直接以任意宽度运行的单一网络。其实是在权重共享的条件下，我们可以根据不同的硬件设备挑选不同宽度的网络，不再重训练一个权重。

  
• 10.19 19:55:13
  发表了文章 2022-10-19 19:55:13

  IJCAI_2020_Channel Pruning via Automatic Structure Search

  1 摘要 通道修剪是压缩深层神经网络的主要方法之一。

  
• 10.19 19:50:38
  发表了文章 2022-10-19 19:50:38

  pytorch权重初始化

  我们定义的网络如下所示
• 10.19 19:49:37
  发表了文章 2022-10-19 19:49:37

  Exploring the Regularity of Sparse Structure in Convolutional Neural Networks（在卷积神经网络中探索稀疏结构的规律性）

  作者提出 基于论文Learning both weights and connections for efficient neural network修剪的方法在保留精度以及实现更高的压缩率方面确实很好。但是，这种改进是以稀疏计算模式的不规则性为代价的。 另一方面结构化的剪枝（例如修剪掉整个过滤器），但是比修剪单个权重会引起更大的精度损失。

  
• 10.19 19:45:38
  发表了文章 2022-10-19 19:45:38

  基于DCT变换的JPEG图像压缩

  图像和视频通常在计算机中表示会占用非常大的空间，而出于节省硬盘空间的考虑，往往要进行压缩。而随着网络的发展，图像压缩技术越来越被人所重视。DCT变换是图像压缩的一项重要技术，本文主要对基于DCT变换的JPEG图像压缩进行研究，并用Matlab进行了算法仿真。实验结果表明, JPEG压缩算法实现简单，在很大的压缩范围内，都能得到很好的重建图像质量。 关键词：DCT变换；JPEG图像；压缩

  
• 10.19 19:42:14
  发表了文章 2022-10-19 19:42:14

  numpy方法积累

  目录 1. numpy.percentile()的使用
• 10.19 19:41:18
  发表了文章 2022-10-19 19:41:18

  pytorch使用方法积累

  1. net.parameters()查看网络参数 2. torch.optim.lr_scheduler.MultiStepLR 2.1 学习率的参数配置
• 10.19 19:37:33
  发表了文章 2022-10-19 19:37:33

  基于Fashion-MNIST数据集的模型剪枝（下）

  1. 介绍 1.1 背景介绍 目前在深度学习中存在一些困境，对于移动是设备来说，主要是算不好；穿戴设备算不来；数据中心，大多数人又算不起 。这就是做模型做压缩与加速的初衷。

  
• 10.19 19:37:23
  发表了文章 2022-10-19 19:37:23

  基于Fashion-MNIST数据集的模型剪枝（上）

  1. 介绍 1.1 背景介绍 目前在深度学习中存在一些困境，对于移动是设备来说，主要是算不好；穿戴设备算不来；数据中心，大多数人又算不起 。这就是做模型做压缩与加速的初衷。

  
• 10.19 19:33:48
  发表了文章 2022-10-19 19:33:48

  tebsorflow2.0 语义分割(Oxford-IIIT数据集)（下）

  语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别来理解图像的。The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，并同时包含宠物轮廓标注信息。下面就是tensorflow2.0的对该数据集的语义分割实现。本文基于TF2.0 , 谷歌Colab平台。

  
• 10.19 19:33:33
  发表了文章 2022-10-19 19:33:33

  tebsorflow2.0 语义分割(Oxford-IIIT数据集)（上）

  语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别来理解图像的。The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，并同时包含宠物轮廓标注信息。下面就是tensorflow2.0的对该数据集的语义分割实现。本文基于TF2.0 , 谷歌Colab平台。

  
• 10.19 19:30:15
  发表了文章 2022-10-19 19:30:15

  tebsorflow2.0 图像定位+分类(Oxford-IIIT数据集)

  对于单纯的分类问题，比较容易理解，给定一副图画，我们输出一个标签的类别。而对于定位问题，需要输出四个数字（x,y,w,h），图像的某一点坐标(x,y)，以及图像的宽度和高度，有了这四个数字，我们很容易找到物体的边框。

  
• 10.19 19:27:56
  发表了文章 2022-10-19 19:27:56

  tebsorflow2.0 多输出模型实例

  1. 简单介绍 2. 加载相关数据包 2.1 图片的路径的配置 2.2 读取图片 3. 图片预处理 4. 训练阶段 4.1 设置验证集与数据集 4.2 构建模型并训练 5. 模型评估

  
• 10.19 19:25:12
  发表了文章 2022-10-19 19:25:12

  tebsorflow2.0 使用Keras编写自定义图层和模型（下）

  1.构建自定义层 1.1 基本模型框架构建 1.2 延迟创建权重，直到知道输入的形状 1.3 层的递归组合 1.4 层中创建loss张量 1.5 选择性地将层序列化 1.6 在call方法中给与训练参数特权 2. 建立模型
• 10.19 19:25:03
  发表了文章 2022-10-19 19:25:03

  tebsorflow2.0 使用Keras编写自定义图层和模型（上）

  1.构建自定义层 1.1 基本模型框架构建 1.2 延迟创建权重，直到知道输入的形状 1.3 层的递归组合 1.4 层中创建loss张量 1.5 选择性地将层序列化 1.6 在call方法中给与训练参数特权 2. 建立模型
• 10.19 18:45:22
  发表了文章 2022-10-19 18:45:22

  MATLAB-直方图均衡化

  直方图均衡化(Histogram Equalization) 又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。

  
• 10.19 18:09:14
  发表了文章 2022-10-19 18:09:14

  tebsorflow2.0 tf.keras猫狗识别(2)—自定义训练

  在上一篇文章中，我们介绍了利用tensorflow封装好的神经网络来训练猫狗数据集。但是在科研中有时我们需要对网络进行修改，这是我们就需要自定义网络训练。 第一部分我们已经介绍了图片的读取，这里就不在一一赘述tebsorflow2.0 tf.keras猫狗识别，我们直接从图片的预处理。

  
• 10.19 17:58:04
  发表了文章 2022-10-19 17:58:04

  tebsorflow2.0 eager模式与自定义训练网络(下)

  对比tensorflow1.x版本静态图模式，tensorflow2.x推荐使用的是eager模式，即动态计算模式，它的特点是运算可以立即得到结果。我们可以通过tf.executing_eagerly()来判断是不是eager模式，如果返回的为True,使用的则为eager模式。首先我们简答介绍一下在eager模式下的计算。
• 10.19 17:51:17
  发表了文章 2022-10-19 17:51:17

  tebsorflow2.0 eager模式与自定义训练网络(上)

  对比tensorflow1.x版本静态图模式，tensorflow2.x推荐使用的是eager模式，即动态计算模式，它的特点是运算可以立即得到结果。我们可以通过tf.executing_eagerly()来判断是不是eager模式，如果返回的为True,使用的则为eager模式。首先我们简答介绍一下在eager模式下的计算。
• 10.18 15:14:42
  发表了文章 2022-10-18 15:14:42

  tebsorflow2.0 tf.keras猫狗识别(1)(下)

  1. 简单介绍 本文的应用场景是二分类问题，采用的数据集为猫狗分类数据集，为了减少训练时间，训练集图片有2123张，验证集有909 张图片，测试的图片有1000张，分为猫和狗两个类别，图片已经放置在dc_2000文件夹下面。

  
• 10.18 15:14:33
  发表了文章 2022-10-18 15:14:33

  tebsorflow2.0 tf.keras猫狗识别(1)(上)

  1. 简单介绍 本文的应用场景是二分类问题，采用的数据集为猫狗分类数据集，为了减少训练时间，训练集图片有2123张，验证集有909 张图片，测试的图片有1000张，分为猫和狗两个类别，图片已经放置在dc_2000文件夹下面。

  
• 10.18 15:11:00
  发表了文章 2022-10-18 15:11:00

  tebsorflow2.0 tf.keras序列问题

  本节是主要介绍的是序列问题的处理，采用的数据集为电影评论数据集，我们通过keras.datasets.imdb直接导入，之后我们建立模型，对其进行分类，并处理过拟合问题。

  
• 10.18 15:06:41
  发表了文章 2022-10-18 15:06:41

  tebsorflow2.0 卷积神经网络的实现实例（下）

  本实例主要介绍 利用tf.data读取图片的方法 卷积神经网络的构建 训练以及测试

  
• 10.18 15:06:37
  发表了文章 2022-10-18 15:06:37

  tebsorflow2.0 卷积神经网络的实现实例（上）

  本实例主要介绍 利用tf.data读取图片的方法 卷积神经网络的构建 训练以及测试

  
• 10.18 15:02:19
  发表了文章 2022-10-18 15:02:19

  tebsorflow2.0 深度学习基础和tf.keras（上）

  1. tf.keras实现线性回归(1) 1.1 Income数据导入可视化

  
• 10.18 15:01:52
  发表了文章 2022-10-18 15:01:52

  tebsorflow2.0 深度学习基础和tf.keras（下）

  1. tf.keras实现线性回归(1) 1.1 Income数据导入可视化

  
• 10.18 14:55:42
  发表了文章 2022-10-18 14:55:42

  python中的语法使用(easydict set() plt.subplots() assert)

  目录 1 easydict的使用 2. 集合（set） 3 plt.subplots()使用 3.1 方法1 3.2 方法2 4. assert断言

  
• 10.18 14:53:36
  发表了文章 2022-10-18 14:53:36

  （2）tf.Variable中trainable作用

  如果为True，则会默认将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES中。此集合用于优化器Optimizer类优化的的默认变量列表，如果为False则在训练时不会更新该值。
• 10.18 14:52:55
  发表了文章 2022-10-18 14:52:55

  模式识别与机器学习(作业6)基于聚类的图片分割

  流程： 读图片(512, 512, 3)–>下采样，降低维度(256, 256, 3)–>将通道展平，data = (65536, 3)–>归一化

  
• 10.18 14:52:05
  发表了文章 2022-10-18 14:52:05

  (3)tesorflow 计算模型复杂度

  目录 1. 计算模型复杂度的衡量 2 . 典型层的复杂性计算原理 2.1 全连接层的复杂性计算 2.2 卷积层的复杂性计算 3. 全连接Tensorflow实现
• 10.18 14:48:23
  发表了文章 2022-10-18 14:48:23

  （1）tf中tensor和numpy

  ensor和numpy
• 10.18 14:47:37
  发表了文章 2022-10-18 14:47:37

  （0）global_step学习率衰减用法

  主要是用在梯度下降中的学习率问题上，设置学习率的大小， 是在精度和速度之间找到一个平衡：
• 10.18 14:41:35
  发表了文章 2022-10-18 14:41:35

  python-opencv(10)图像金字塔

  文章目录 1. 图像金字塔特点 2. 向下采样 2.1. 特点

  
• 10.18 14:38:29
  发表了文章 2022-10-18 14:38:29

  python-opencv(13)傅里叶变换(下)

  文章目录 1. 傅里叶变换的理论基础 2. numpy实现傅里叶变换 2.1. 相关的函数 2.1 代码实现

  
• 10.18 14:38:25
  发表了文章 2022-10-18 14:38:25

  python-opencv(13)傅里叶变换(上)

  文章目录 1. 傅里叶变换的理论基础 2. numpy实现傅里叶变换 2.1. 相关的函数 2.1 代码实现

  
• 10.18 14:33:56
  发表了文章 2022-10-18 14:33:56

  python-opencv(12)直方图

  文章目录 1. 基本概念 1.1. 直方图 1.2. 归一化直方图 1.3. 使用参数

  
• 10.18 14:30:44
  发表了文章 2022-10-18 14:30:44

  python-opencv(11)图像轮廓

  文章目录 1. 什么是轮廓 2. 使用的函数 3. 代码实现

  
• 10.18 14:25:05
  发表了文章 2022-10-18 14:25:05

  python-opencv(4)--几何变换

  文章目录 1. 图像缩放 1.1. resize()函数 1.2. 指定大小的缩放 1.3. resize函数（fx,fy） 2. 图像翻转-flip函数

  
• 10.18 14:22:31
  发表了文章 2022-10-18 14:22:31

  python-opencv(3)图像类型转换

  python-opencv(2)图像类型转换 将图像由一种类型转换为另外一种类型

  
• 10.18 14:19:06
  发表了文章 2022-10-18 14:19:06

  python-opencv(2)图像运算

  文章目录 1. 加法运算 2. 图像融合 3. 参考

  
• 10.18 14:17:46
  发表了文章 2022-10-18 14:17:46

  python-opencv(1)图像的基础操作

  文章目录 1. 获取图像的属性 2. 图像ROI 3. 通道的拆分与合并 3.1. 通道的拆分 3.2. 通道的合并 4. 参考

  
• 10.18 14:14:24
  发表了文章 2022-10-18 14:14:24

  数据结构与算法(3)--栈抽象数据类型及Python实现

  1. 什么是栈？ 是一种有次序的数据项集合，在栈中数据项的加入和移除都发生在同一端。一端叫做栈顶，另一端叫做栈底。

  
• 10.18 14:12:02
  发表了文章 2022-10-18 14:12:02

  数据结构与算法(2)--什么是线性结构

  什么是线性结构Linear Structure
• 10.18 14:10:46
  发表了文章 2022-10-18 14:10:46

  Matalb-图像均值滤波，中值滤波，梯度锐化(sobel算子)的实现

  Matalb-图像均值滤波，中值滤波，梯度锐化(sobel算子)的实现