- 博客(103)
- 收藏
- 关注
RSS订阅原创 win10 vscode报错 尝试新的跨平台 PowerShell
问题： 无法将“C:\ProgramData\Anaconda3\Scripts\conda.exe”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。解决办法：打开vscode设置，输入shell，找到终端设置，修改终端为cmd。
2022-05-25 23:18:32
2744
原创 训练集、验证集、测试集分别有什么作用
首先将模型参数分为可训练参数和超参数。拿神经网络来说，需要反向传播更新的参数为可训练参数，而学习率、层数、节点数、droupout等都可看作超参数。我们通过设计不同的超参数，通过训练集训练多个模型，然后拿验证集进行验证，选出效果最好的模型，最后拿测试集进行测试。其实有时候我觉得不一定非要区分验证集和测试集。如果打比赛，我们不知道测试集，所以将数据分为训练集和验证集，但对我们自己来说，验证集就是测试集。需要用到验证集的还有交叉验证。...
2021-12-04 15:25:45
1404
原创 最大似然估计、最大后验概率估计、贝叶斯估计
一、基础知识1、条件概率2、全概率公式3、贝叶斯公式综上可得4、似然和概率在统计中，似然与概率是不同的东西。概率是已知参数，对结果可能性的预测。似然是已知结果，对参数是某个值的可能性预测。二、参数估计1、频率学派与贝叶斯学派关于参数估计，统计学界的两个学派分别提供了两种不同的解决方案。频率学派认为参数虽然未知，但是客观存在的固定值，通过优化似然函数等准则来确定其值。贝叶斯学派认为参数是未观察到的随机变量，其本身也可有分布，因此，可假定参数服从一个先验分布，然后基于观测到的数据来计
2021-12-03 09:10:24
982
原创 关机批处理文件
1、关机$echo offcd C:/Windows/System32/Start shutdown.exe -s -t 02、重启$echo offcd C:/Windows/System32/Start shutdown.exe -r -t 0
2021-11-11 09:42:28
627
原创 QT与PCIE交互加载SetupAPI.h报错
setupapi.h依赖这些头文件#include <Windows.h>#include <assert.h>#include <stdlib.h>#include <stdio.h>#include <strsafe.h>#include <stdint.h>#include <SetupAPI.h>#include <INITGUID.H>#include <WinIoCtl.h&g
2021-11-04 18:43:54
1344
原创 cmd批处理文件
1、运行exe$echo offcd ./aaaa/Start bb.execd ./ccc/Start ee.exe2、关闭$echo offTASKKILL /IM bb.exe /F /TTASKKILL /IM ee.exe /F /T
2021-10-06 17:14:50
281
1
原创 c结构体大小计算
一、默认优化两条原则：1.起始地址为该变量类型所占内存的整数倍，若不足则不足部分用数据填充至所占内存的整数倍。2.该结构体所占总内存为结构体成员变量中最大数据类型的整数倍。当结构体包含数组时，第一条原则变为按照数组类型，而不是数组大小。typedef struct _NAME{ unsigned short a; //2B unsigned char b; //1B unsigned short c;}NAME;//总共2+2+2=6字节。typedef struct _NAM
2021-06-17 15:01:00
155
原创 c++生成动态库 python通过调用dll最小化窗口启动应用程序
1、C++写法参考C++写法通过传入应用程序绝对路径启动。（字符串：.exe+参数）#include <math.h>#include "windows.h"#include <C:\Users\Administrator\AppData\Local\Programs\Python\Python36\include\Python.h>#define EXPORT_HELLO_DLL#ifdef EXPORT_HELLO_DLL#define HELLO_API __
2021-05-27 19:32:41
255
原创 python udp
1、接收r_socket = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)r_socket.bind(('ip', 8888))data_receive_bytes = r_socket.recv(fft_buff_size)2、转换data = int.from_bytes(data_receive_bytes[38:39], byteorder='little') #大端是‘big’，可单字节转换data = np.frombuff
2021-05-26 09:14:35
110
原创 python字节转换
1、二进制转换为字节bin_str = '0b00000000'data_bytes = BitArray(bin=bin_str).bytes #中间有\xdata_bytes = binascii.b2a_hex(data_bytes) #中间无\x2、字符串转字节bytes_str = 'AA55'data_bytes = bytes_str.encode('utf-8')3、十进制转字节data_bytes = binascii.b2a_hex(np.uint8(12))
2021-05-26 09:02:48
1004
原创 pyinstaller打包python成exe几个错误解决
环境：python3.6+pyinstaller4.2错误一：关于scikit-learn解决办法：将sciket-learn版本从0.24.1转为0.21。错误2：关于不能打包某些库错误原因应该是pyinstaller没有自带该第三方库文件的hook，不能打包某些库。解决办法：自己写个hook，然后放进pyinstaller的hooks里面。pyinstaller的hooks文件夹位置：D:\aaa\python_to_exe_36\py36env\Lib\site-packag
2021-04-28 15:02:19
291
原创 远程电脑访问django服务器
1、设置windows防火墙端口入站规则打开“高级安全Windows防火墙”，点击“入站规则”，右击“入站规则”，选择“新建规则”，选择“端口”，选择“TCP”，端口和服务器开启端口一致…2、指定IP和端口python manage.py runserver 0.0.0.0:8000 “0.0.0.0″ 这个 IP 地址，告诉服务器去侦听任意的网络接口。3、远程连接http://本地ip:端口号/...
2021-03-30 14:43:28
1107
原创 python滤波器设计
一、在matlab输入fdatool，打开滤波器设计窗口，指定滤波器、Specify order（设定阶数）、Fs（采样率）、Fpass（通带）、Fstop（阻带），观察滤波器效果。二、使用python进行滤波FIR Equiripple滤波器设计from scipy import signalfs = 130520000.0 # Sample rate, Hzcutoff = 1200000.0 # Desired cutoff frequency, Hztrans_wid
2021-02-21 18:34:20
2695
原创 pyqt5鼠标自动跟踪
一、按照对象层级，逐级设置setMouseTracking(True)self.tabWidget.setMouseTracking(True)self.centralwidget.setMouseTracking(True)self.setMouseTracking(True)二、重写鼠标事件def mouseMoveEvent(self, event): s = event.windowPos() print(s.x(), s.y())...
2021-02-21 10:08:18
1156
原创 python性能分析工具
使用第三方工具line_profilerpython3.61、安装直接使用pip install line_profiler报错：ERROR: Failed building wheel for line-profilerFailed to build line-profilerERROR: Could not build wheels for line-profiler which use PEP 517 and cannot be installed directly使用方法pip3 i
2021-02-19 15:47:02
451
原创 运行指定python版本的的pip
想安装包到指定python版本的路径下，如果直接使用python的话，会安装到系统默认的路径下，当然也可以添加python的系统路径，修改python解释器的名字，懒得改了。使用命令: 路径\python -m pip install 包...
2021-01-07 18:42:38
5361
3
原创 virtualenv解决pyinstaller打包python为exe太大问题
使用pyinstaller打包python代码成exe。问题：打包的exe太大，达到800M。解决办法：创建python虚拟环境，只安装需要的包。差不多折腾了一天才搞定。先是使用pipenv，发现总是无法出现pipfile.lock，使用pyinstaller生成的exe还是很大，发现在pipenv里边使用pyinstaller时，使用的python解释器总是原本的python解释器，没有使用pipenv的python解释器。最后尝试virtualenv，成功，生成的exe大概80M左右。需要注
2020-12-29 15:31:51
899
原创 TD Learning，SARSA，Q Learning
最近在读一篇增强学习的综述 DEEP REINFORCEMENT LEARNING : AN OVERVIEW 发现里边介绍SARSA时，伪代码是错误的。 1.TD Learning 2.SARSA 错误就在于，sarsa算法的下一个动作在这次更新时就已经确定了。所以需要在step迭代之前对action进行初始化。 3.Q Learning 我们说Q Learning是o...
2018-08-27 10:51:29
1772
原创 Machine Learning Yearning31~32
1.如果训练误差比较小，低于期望的误差，而验证误差却较高于寻来你误差，这时，bias较小，variance较大，增加训练数据也许能够减小验证误差和训练误差。但是，如果训练误差本来就比较大，而且验证误差更大，这时bias和variance都大，就得想办法同时减少bias和variance了。 2.在画学习曲线时，当样本很小时，根据数据集的不同情况，会出现学习曲线震动非常厉害的情况，比如都取了负样本...
2018-08-26 15:15:30
216
原创 Machine Learning Yearning20~22
1.即使是所有的数据都是相同的分布，训练数据越多也不一定会得到想象的提高。那么我们啥时决定增加数据呢？机器学习里边误差主要来源两个方面：bias 和variance。明白这两个概念能够帮助我们，是否是通过增加数据还是和其它策略一起来提高网络的效果。 比如我们现在的算法，在训练集和测试集的error分别为15%，16%，我们想要达到5%的error。这时增加数据会使得更难达到我们需要的结果。这时，...
2018-08-26 15:12:09
230
原创 Machine Learning Yearning47~49
1.端对端系统与非端对端系统。 非端对端： 缺点，会丢掉一些信息；对真实情况不能很好的近似，限制潜能。我们都确定每个步骤。 优点，手提特征比较具有鲁棒性；少量数据也可以。 端对端： 缺点，需要大量数据。 优点，数据足够的话，算法潜能非常大。...
2018-08-26 15:04:07
221
原创 Machine Learning Yearning40~43
1.当训练数据有两个分布数据，测试数据只有其中一个分布数据，这时后如果测试数据错误率比我们预期的要高，那么可以从以下方面进行检查：1，在训练数据效果不好，这时主要问题是训练数据分布的高的可以避免的bias的存在；2，如果训练集表现较好，但是对于和训练集具有相同分布的未见过的数据（此处不是验证集或者测试集）效果不好，那么是因为高的variance；3，如果训练集效果好，对于和训练集具有相同分布的未见...
2018-08-26 14:58:02
194
原创 Machine Learning Yearning36~39
1.我们需要牢记的一点是，测试数据的分布一定要是我们期望的处理的数据的分布。所以如果期望的处理的数据有10000，而另一种分布的数据有200000，那么从210000里边分训练集和测试验证集是不合理的，因为这里边的验证集的分布大部分是第二种分布，并不是我们将来期望处理数据的分布。 但是由于我们能得到大量的数据，我们希望即使训练集和测试集分布不同，我们仍然能够利用这些信息。 我们假设验证集和测试...
2018-08-26 14:56:41
163
原创 Machine Learning Yearning33~35
1.许多机器学习系统的目的是使得人类做的很好的事情进行自动化。如果人类对一个任务处理的较好，那么我们可以相对容易的建造一个ML系统。原因有，1，容易获得具有高质量标注的数据；2，能够利用人类的直觉进行知道模型改进；3，将人类的表现和机器的表现进行对比。第3点还是比较重要的，因为它可以在一定程度上指导我们，是否我们的模型能够还有提高。 2.对于远超，人类表现的ML系统，我们需要关注的问题有：1，收...
2018-08-26 14:55:07
203
原创 Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network论文笔记
作者发现大核对分割于有重要作用。所以提出Global Convolutional Network。和使用residual-based boundary refinement处理边界。Global Convolutional Network 分割包含两部分内容，定位，分类。论文称，这两块互相矛盾。1）对于分类任务，模型应该对变换不敏感（比如，移动，旋转，缩放）；2）对于定位任务，模型应该对变换...
2018-08-24 22:01:26
671
原创 ExFuse- Enhancing Feature Fusion for Semantic Segmentation笔记
问题：论文称，简单的高低维特征融合效率比较低，因为语义层次和空间分辨率会有gap。作者发现在低维特征引入语义信息，高维特征引入高分辨率信息（空间信息）对后边的融合很有效。作者通过两个方面解决，高低维之间语义和分辨率的gap：1）给低维特征引入更多的语义信息，提出3个方法，layer rearrangement, semantic supervision and semantic embed...
2018-08-24 16:24:43
1565
原创 神经网络hash码论文笔记
Deep Learning of Binary Hash Codes for Fast Image Retrieval 首先通过ImageNet进行训练，通过迁移学习的方法，保留包括F7之前的参数，在F7之后添加一层hash编码层，最后是分类层。Hash编码层通过sigmoid，映射到0~1，最后通过0.5阈值二值化为{0，1}。思想是，通过hash编码层得到每张图像的hash码，然...
2018-08-02 18:16:49
2022
原创 Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net论文笔记
论文主要贡献有3点：1）IN学习到的是对形状变换，比如颜色，风格，虚拟的或现实的不敏感的特征，而BN是保留纹理相关的特征；2）灵活，能够用到很多的架构；3）在迁移学习的时候不需要目标领域的数据就能够提高网络的表现。 目的是：解决输入图片的外观不变性。 方法是将IN和BN结合起来，IBN-Net。 结果是：IBN-Net能够学习捕获和消除外观的变换，而保持学到的特征的区别性。 结构特性：将I...
2018-07-31 00:18:24
2901
原创 unet和segnet的结合-论文笔记
U-SEGNET: FULLY CONVOLUTIONAL NEURAL NETWORK BASED AUTOMATED BRAIN TISSUE SEGMENTATION TOOLSegNet结构： 上采样使用的是maxpooling的索引。全体采用VGG16结构，两边完全对称。该论文将SegNet 和U-Net结合起来，在SegNet引入skip connection，进行更好的...
2018-07-22 10:07:53
9418
6
原创 github修改密码后本地仓库如何连接
修改github密码后，本地原有的ssh就不能用了，所以生成一个新的钥匙。 1.进入.ssh文件夹cd ~/.ssh/ 如果没有就创建mkdir ~/.ssh2.配置name和邮箱git config --global user.name "ubuntu"git config --global user.email "ubuntu@qq.com" 3.生成keys...
2018-06-13 11:21:23
4097
1
原创 LSTM学习脚步
入门 colah’s blogAndrej Karpathy blog论文： Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting代码1 8个权重分别使用8个不同的卷积进行生成。实现了多层LSTM。首先对每层的h和c进行初始化。对于同一个时间step的不同层，...
2018-06-06 14:32:53
714
原创 Deformable Convolutional Networks-笔记
基本思想：通过在模型里边，增加额外的偏移，来增强空间采样位置，并且从目标学习这个偏移，而不需要额外的标记。 本文第一次证明，在深度CNN，通过学习稠密的空间变换，对比较复杂的任务有有效的作用，比如目标检测，分割。 代码开源 目标检测的一个挑战就是：如何适应目标的尺度，位置，视角，部分变形的几何变换。通常来说有两种方法，数据增强，使用transformation-invariant featu...
2018-05-18 19:30:40
463
原创 Machine Learning Yearning28~30
1.通过画学习曲线来观察。学习曲线：横坐标是不同数量的训练样本，纵坐标是dev set的error。随着训练样本的增加，error降低。一般来说，我们有一个期望误差率，希望网络能够达到。比如：人类的误差率；直觉上任务应该达到的误差率；长期目标需要达到的误差率。 通过观察上述曲线，可以推断还需要多少训练样本才能达到期望误差率。但是如果误差曲线最后是平的： 那么，通过增加训练数据是不能够达...
2018-05-17 11:26:21
681
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人