路双宁的博客

python中的元类 请参考博文深刻理解Python中的元类(metaclass) 12a = 10print(a.__class__) 这里，10是一个对象，通过a.__class__就可以找到创建该对象的类，结果是<class 'int'> 同理 12s = "abc"print(s.__class__) 结果为<class 'str'> 自定义类 1234567class Person: passp = Person()print(p.__class__) 结果为<class '__main__.Person'> 那么，根据“类也是对象”这句话，int这个类对象，是谁来创建的呢？ 1print(int.__class__) # 或者print(a.__class__.__class__) 结果为<class 'type'> 同理 1234567class Person: passp = Person()print(Person.__class__) # 或者print(p.__class__.__cl ...

在使用 PyTorch 搭建网络的过程中，经常遇到一些 python 的基础知识，不了解的话就会卡住半天想不出来，在此先总结一下这段时间遇到的问题。

论文地址：Deep Residual Learning for Image Recognition 自该骨干网络开始，我开始接触到所谓的预训练权重的概念。 以下内容来自深度学习权重初始化 深度学习其本质是优化所有权重的值，使其达到一个最优解的状态，这其中，需要更新权重的层包括卷积层、BN层和FC层等。在最优化中，权重的初始化是得到最优解的重要步骤。如果权重初始化不恰当，则可能会导致模型陷入局部最优解，导致模型预测效果不理想，甚至使损失函数震荡，模型不收敛。而且，使用不同的权重初始化方式，模型最终达到的效果也是很不一样的。因此，掌握权重的初始化方式是炼丹师必备的炼丹术之一。 而预训练初始化是权重初始化的其中一种方式 在实际中，我们大部分是在已有的网络上进行修改，得到预期结果后，再对网络进行裁剪等操作。而预训练模型是别人已经在特定的数据集（如ImageNet）上进行大量迭代训练的，可以认为是比较好的权重初始化。加载预训练模型进行初始化，能使我们进行更高频率的工程迭代，更快得到结果。而且，通常加载预训练模型会得到较好的结果。 但是要注意几个问题： 许多文章指出，当源场景与目标场景差 ...

论文地址：ImageNet Classification with Deep Convolutional Neural Networks 网络结构为 使用pytorch复现该网络 1234567891011121314151617181920212223242526272829303132333435363738394041mport torch.nn as nnfrom torch.nn import functional as Ffrom torchsummary import summary# pytorch默认的实现方式为torchvision.models.alexnet()class AlexNet(nn.Module): def __init__(self, num_classes=1000): super(AlexNet, self).__init__() self.conv1 = nn.Conv2d(in_channels=3, out_channels=96, kernel_size=(11, 11), stride=(4, 4) ...

论文地址:Very Deep Convolutional Networks for Large-Scale Image Recognition 使用pytorch复现该网络 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677import torch.nn as nnimport torch.nn.functional as Fimport torchvisionfrom torchsummary import summary# pytorch默认的实现方式为torchvision.models.vgg19()class VGG(nn.Module): """ VGG builder """ def __init__(self, arch: list, num_clas ...

1998年，Lecun等人在论文“Gradient-Based Learning Applied to Document Recognition”里第一次定义了CNN网络结构，该网络被称为LeNet，成为CNN的开山鼻祖。

YOLOv5的GitHub项目地址：https://github.com/ultralytics/yolov5 CSDN博主在YOLOv5超详细的入门级教程系列里面讲的很详细，包括所用数据集的格式介绍，如何制作自己的数据集制作自己的PASCAL VOC2007格式的数据集，如何配置，如何训练。在此总结一下步骤： 我的目录结构如下 里面有3个数据集，fish和helmet是我自己标注的，他们的类别都只有1个。VOC2007数据集是开源并且标注好的。我在每个数据集里面都放了个voc_label.py的脚本，他们的内容都差不多，例如，fish里面的voc_label.py内容为 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657import xml.etree.ElementTree as ETimport pickleimport osfrom os import listdir, getcwdfrom os.path impor ...

Neural Network Programming - Deep Learning with PyTorch

You can find this course at https://www.youtube.com/playlist?list=PLZbbT5o_s2xrfNyHZsM6ufI0iZENK9xgG or https://deeplizard.com/learn/video/v5cngxo4mIg. While in China, those videos were added Chinese subtitles and transfered to Bilibili by an uploader, here is the link https://www.bilibili.com/video/BV1UE411N7pD.

拟合（Fitting）

边缘提取

卷积

世界坐标系->相机坐标系->图像坐标系，相机内参外参

学习使用LaTeX时遇到的问题及解决方案

推导师兄论文中给的一些公式

准备用一个月的时间，系统学习下OpenCV

感谢宝藏up主DR_CAN 课程地址：卡尔曼滤波器 书写工具：ipad Pencil + GoodNotes PDF版点此下载：卡尔曼滤波器.pdf 打印版：卡尔曼滤波器-打印版.pdf

手动推导反向传播公式

我平常用Atom来写markdown，而Atom的markdown-preview-enhanced插件用来实时预览最后显示的情况。这是个特别棒的插件，支持KaTeX和MathJax渲染，插件的中文文档在这里 markdown-preview-enhanced中文文档 Markdown Preview Enhanced 使用 KaTeX 或者 MathJax 来渲染数学表达式。 KaTeX 拥有比 MathJax 更快的性能，但是它却少了很多 MathJax 拥有的特性。你可以查看 KaTeX supported functions/symbols 来了解 KaTeX 支持那些符号和函数。 Hexo也支持KaTeX和MathJax，为了使插件和博客二者同步，你最好将他们的渲染引擎改成同一个。在Hexo中，使用不同的渲染引擎，要安装或者卸载不同的插件，具体请参考主题的配置文件。 在markdown-preview-enhanced的设置里，选择渲染引擎的选项是Math Rendering Option。 MathJax添加扩展 在使用的过程中，我首先遇到的问题是，命令\Omicro ...

拉取docker镜像： 1docker pull <容器名> 查看所有镜像 1docker images 运行容器 1docker run <容器名> 查看正在运行的docker容器： 1docker ps 停止某个docker容器 1docker stop <容器id> 提交修改 1docker commit -m "提交内容" <容器id> <容器名> 删除image 1docker rmi <镜像id> 查看容器运行的历史 1docker ps -a 删除容器运行的历史 1docker rm <容器id> 创建镜像 1docker build <镜像id>