暂时未有相关云产品技术能力~
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。
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。
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
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。
LaTeX 公式常用字符和表达式
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
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)。
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。
这篇文章是 Chris Rackauckas 的帖子的翻译和总结,但是并不按照原文完全翻译,有个人的取舍。
`inplace` 操作是 PyTorch 里面一个比较常见的错误,有的时候会比较好发现,但是有的时候同样类似的报错,会比较不好发现。
样本特征由于来源以及度量单位不同,它们的尺度(Scale),或者说是取值范围有可能差异很大。如果一个机器学习算法在缩放全部或者部分特征后不影响它的学习和预测,我们就称该算法具有尺度不变性(Scale Invariance)。神经网络从理论上应该具有尺度不变性,可以通过参数的调整来适应不同特征的尺度。
在生成列表的时候,最好用 [0 for _ in range(n)] 的方式而不是 [0] * n 的方式生成,原因如下。
通过 ssh 的方式给远程服务器传输文件的命令为:scp -P port file_name user@ip:/dir_name
为了提高复杂关系的拟合能力,在特征工程中经常会把一阶离散特征两两组合,构成高阶组合特征。在实际问题中,需要面对多种高维特征,简单地两两组合,依然容易存在参数过多、过拟合等问题。
Julia 是一个十分年轻的语言,通过预编译的方式能够将速度提高很多,有 C++ 的速度,解释性语言的特性,十分适合做数学分析和科学计算的工作。Flux.jl 是 Julia 用于做机器学习和深度学习的工具,这篇文章对文档中的不同优化器做一个翻译和总结,供参考。
MacBook Pro Apple M1 使用 Qt 6.4.1 的时候碰到的报错,做了不同的尝试,最后解决了这个报错。
上次使用 Faster R-CNN 训练了一个 VGG-16 的网络,为了再提升识别的准确率,利用 ResNet 网络在同样的数据上面训练了多一次。