暂时未有相关云产品技术能力~
暂无个人介绍
这篇文章主要总结了在 AI 绘画中,使用 MidJourney 时提示语句 Prompt 的写法。
给构造函数声明 explicit 可以阻止它们被用来执行隐式类型转换(implicit type conversions)。本文通过一个例子来直观地帮助大家理解 C++ 中的 explicit 关键字。
之前的岛屿题,用 DFS 和 BFS 来做要比用并查集更加好做并且高效,但是最对这一道题来说,用并查集要更加好做。
批量对图片进行裁剪的方法
使用自己标注的数据集用 Faster R-CNN 训练了两个模型:VGG16 和 ResNet-50 ,在训练和测试的时候还是踩了很多坑,把遇到的问题及解决方法总结了一下,以供以后回顾。
在这篇指导,我们将会理解一个在目标检测中的重要概念——Selective Search。我们也会在 C++ 的和 Python 上分享 OpenCV 代码。
数据集是两个 .h5 格式的文件,有训练集和测试集,分别有209和50张图片,大小为(64, 64 ,3),reshape 成(12288, 209)和(12288, 50)。
系统:Ubuntu 16.04 环境:CUDA 8.0 + cudnn 5.1 + BLAS + opencv 3.0.0
Pascal VOC challenge 是一个非常流行的数据集,用于构建和评估图像分类、对象检测和分割的算法。
交并比 (intersection over union)即为两个区域的交集与并集的比值。
R-CNN 系列模型是目标检测里的经典模型,同时也是 Caffe 的经典模型,所以为了学习 Caffe 和目标检测算法的知识,通过观看论文、网上的资料以及试着用自己的数据训练一个 Faster R-CNN 后,对于 Faster R-CNN 有了初步的了解,在此把论文内容和自己的理解整理并写下来。
当你想批量处理文件的时候,使用 python 对文件或者文件夹进行操作,可以迅速地解决问题。 在 python 里面有几个内置模块可以对文件进行复制、移动、重命名及读写等操作。以下是对 os、shutil 模块里面的重要函数与方法进行的简单介绍。
翻译:Deep Residual Learning for Image Recognition
与目标识别不同,目标检测中不仅仅需要在一张图片中检测到是否含有某物体,还需要将该物体的位置找出来,所以在判定模型的好坏时,就有其标准 —— mAP
在 Python 中有个保留的字符「lambda」,它的作用是定义一个匿名函数,具体用法如下。
M3Net: 多尺度多路径多模型融合网络及其在 RGB-D 显着目标检测中的应用实例
有时候在使用 Python 的时候,想要对一个数字或者字符串进行补零操作,即把「1」变为一个八位数的「00000001」,这个时候可以使用一下方法来进行补零。
概率与信息论:期望、方差、标准差和协方差
使用 Caffe 训练自己的 Alexnet
想要使用 Python 生成随机不重复的数,我们可以使用 `random` 模块来实现
这篇文章的内容总结翻译自 A Step-by-Step Introduction to the Basic Object Detection Algorithms (Part 1) ,文中有加入自己的理解。
我讲了 RCNN 算法,似乎它的表现不太好,所以这次我们讲讲它的进化版 —— Fast RCNN 和 Faster RCNN
LaTeX 公式常用字符和表达式
一般使用 Caffe 训练完网络后,会用 `test.bin` 来测试一下网络的精度,然后还能用 `classification.bin` 来用网络对图片进行单张的分类,但是一张一张的分,效率很低,所以我改写了 `classify.py` 文件,使其读取 test.txt 文件批量分类,输出具体哪一张图片分错了。
Faster R-CNN 实际上就是由 Fast R-CNN 和 RPN 两个网络结合的,可以使用 end2end 和 alternative 两种方式来训练,两种方法训练出来的网络准确度基本没有多大的区别,但是使用 end2end 训练,即端到端训练可以节省很多时间。这篇文章参考 Ross' Girshick 在 ICCV15 上的演讲报告,主要讲 end2end 方法。
如果你在使用 Matlab 来处理一些数学问题,希望这篇博客可以帮到你。你可以根据所需要的内容查看对应的标题的内容,可以知道在 Matlab 中使用什么函数来解决问题。
MATLAB 里面在使用 plot 函数时,输出的二维曲线有其默认的设定,如果想要改变设置,譬如增加线宽、改变线条颜色、线条样式时,可以通过改变线条的属性实现。
安装 Jupyer 很简单,可用 pip 直接安装
安装 Scrapy 还是比较简单的,我这里只说在 Windows 上的的安装
Typora 有一个「高亮」的格式,类似于荧光笔,但是感觉默认的颜色偏亮,看久了不舒服,所以利用修改主题文件的方式来自定义颜色。
如果原始空间是有限维,即属性数有限,那么一定存在一个高维特征空间使得样本可分。
当我们想要进行类似机器学习、大数据这样的分析编程时,如果是在例如 PyChram 这样的编译器上写,一般是要把整个代码文件写完,然后再运行。这样的缺点就是如果中间某行出现了 Bug,我们就要排除,然后再重新运行整个文档,或者是 Debug。 但是如果是在 Jupyter Notebook 上,我们就可以一小块一小块的去运行,碰到不合预期的结果,可以很方便的回到特定的单元,去输出各种变量,排查错误。
这个题目可以使用数学方法,将其答案显式地写出来,但是验证解出来的答案是否正确,就可以使用蒙特卡洛方法了。
机器学习概述,习题总结
数学公式用到的一些包
LaTeX 使用 minted 需要先安装 `pygments`,这是一个 Python 的库
如何显示 U 盘或者硬盘里面的隐藏文件?
在统计学上,置信区间是从已观测到的数据中统计出来的一个估计。它给出了未知参数可能落在的区域。而通俗的讲,就是我们去估计一个参数(大部分情况是一个平均值或期望),但是估计一定会有误差,所以置信区间就告诉我们,这个平均值的误差范围。
一些常用的基础操作
假设想要给信号添加 snr=50 分贝的白噪声,思路就是,生成标准正态分布随机信号。
LaTeX 的字体大小设置有 `\small, \large` 等,与 Word 上的字号大小有对应
求偏微分,可以选择的方法有:手工微分(manual differentiation)、符号微分(symbolic differentiation)、数值微分(numerical differentiation)、前向自动微分(forward-mode autodiff)和反向自动微分(reverse-mode autodiff)。
描述是 `no method matching increment_deriv!(::Float64, ::Float64)` ,找不到该方法。
常微分方程组的求解比较麻烦,通常在计算机上使用数值计算的方式去进行。
一般情况下,如果有 LaTeX 的模板,就不用怎么考虑目录的格式,直接用命令 `\tableofcontents` 自动生成就好了。但是有一些作业,想要用 LaTeX 排版,就要考虑老师给的格式,例如要自己重新设定各级标题的格式,对于中文的支持有时候也会带来一些报错。
异或问题就是当两个输入的布尔值不一致时,输出为 True(可以用 1 代表),如果两个输入的布尔值一致的时候,输出为 False(可以用 0 代表)。
这篇文章是 Julia 的 Plots 包的各种属性的汇总
Plots 可以画出很多丰富的图。从画线、点、阴影填充都可以,但是在 Julia 上面,与 Python 上的 Matplotlib 的写法有很大的不同,这篇文章就是写一些基本的或者常用的用法,包括如何用 For 循环去画多个子图。
我更新了某个包,然后在预编译的时候,出现了 `Failed to precompile` 的报错。在 `using DiffEqSensitivity` 的时候,出现了 `ERROR: UndefVarError: SciMLBase not defined.` 的报错,然后无法完成 precompile。
macOS 文件操作快捷键、Office 软件的操作技巧