- 博客(94)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 Flask 入门8：Web 表单
Flask-WTF 扩展可以把处理 Web 表单，这个扩展对独立的WTForms 包进行了包装，方便集成到Flask应用中。
2024-02-07 16:13:18
1238
原创 Flask 入门7：使用 Flask-Moment 本地化日期和时间
如果Web应用的用户来自世界各地，那么处理日期和时间可不是一个简单的任务。服务器需要统一时间单位，这和用户所在的地理位置无关，所以一般使用协调世界时（UTC）。不过用户看到 UTC 格式的时间会感到困惑，他们更希望看到当地时间，而且采用当地惯用的格式。要想在服务器上只使用UTC时间，一个优雅的解决方案是，把时间单位发送给Web浏览器，转换成当地时间，然后用JavaScript渲染。Web浏览器可以更好地完成这一任务，因为它能获取用户计算机中的时区和区域设置。
2024-02-07 14:04:15
1473
原创 Flask 入门6：模板继承
然后针对子模板需要重写的地方，则定义成了 block，比如以上定义了 title、head、body、footer 这几个 block，子模板在继承了父模板后，重写对应 block 的代码，即可完成子模板的渲染。比较好的做法是，通过模板继承，把一些重复性的代码写在父模板中，子模板继承父模板后，再分别实现自己页面的代码。如果子模版想要继承父模板中某个 block 的内容，比如以上案例中，我们想要继承父模板 footer 这个 block 中已有的内容，则可以通过。以上示例代码中，h1 标签中通过。
2024-02-04 16:25:03
882
原创 Flask 入门5 ：过滤器
过滤器本质上是 Python 的函数，他会把被过滤的值当作第一个参数传给这个函数，函数经过一些逻辑处理后，再返回新的值。在过滤器函数写好后，可以通过装饰器或者是函数来把函数注册成 Jinja2 能用的过滤器。上面我们定义了一个的函数，第一个参数是需要被处理的值，第二个参数是时间的格式，并且指定了一个默认值。然后下面通过，将函数注册成了过滤器，并且这个过滤器的名字，叫做dformat。如果没有传第二个参数，那么默认使用函数的名称作为过滤器的名称。当然，我们也可以通过。
2024-02-01 16:23:58
945
原创 ModuleNotFoundError: No module named ‘flask._compat‘
Flask 版本需= 2.3.3双击from flask_script import Manager中的 flask_script 进入 init.py 文件, 修改如下from flask._compat import text_typefrom flask_script._compat import text_type即可
2024-01-31 17:04:52
751
原创 Flask 入门4：Flask 模板
Flask 拥有丰富的扩展方法，且都有统一的特点：简单和即学即用。当我们要实现某个功能之前，可以提前去搜一搜这个功能包是否已经存在，这样也能帮助我剩下很多时间。那么要去哪里找到这些扩展包呢，这里推荐两个方法供大家使用：Flask 官方网站：这里有很多常用的而且经过验证的第三方包。pycharm 查找对应的包。
2024-01-31 16:41:38
1051
原创 Flask 入门3：Flask 请求上下文与请求
Flask 在处理请求与响应的过程：首先我们从浏览器发送一个请求到服务端，由 Flask 接收了这个请求以后，这个请求将会由路由系统接收。然后在路由系统中，还可以挂入一些 “勾子”，在进入我们的以前做一些预处理。即产生一个 request 对象，可以获取一些变量、cookie等参数，再传入里面做一个进一步的处理。处理完了以后，一般上不需要直接去产生一个 response，而是通过传给 Flask。
2024-01-31 14:26:51
681
原创 Flask 入门1：一个简单的 Web 程序
Flask本身相当于一个内核，其他几乎所有的功能都要用到扩展，都需要用第三方的扩展来实现。Flask没有默认使用的数据库、窗体验证工具。你可以选择MySQL，也可以用NoSQL。Flask诞生于2010年， Armin Ronacher的一个愚人节玩笑。不过现在已经是一个用python语言基于Werkzeug工具箱编写的轻量级web开发框架，它主要面向需求简单，项目周期短的小应用。虽然Flask不是最出名的框架，但是Flask应该算是最灵活的框架之一，这也是Flask受到广大开发者喜爱的原因。
2024-01-29 12:38:31
932
原创 行测小技巧
适用题目：凡是要求“能推出”、“据此可知”等从题目中得出一个结论的题目，都应该第一时间想到从弱原则。在言语的细节判断题、逻辑的日常推理，甚至资料分析中，都能用到。原理：语气过于强硬的、过于绝对的，往往是错误的，而语气越弱的，往往越难以证明是错误的。例子：不吃饭就得饿死 = 吃饭或者饿死；你不走，我就走 = 你走或我走。来源于公考猫哥，仅供参考！
2024-01-02 23:10:55
12652
1
原创 系统学习申论
审题：①范围、②内容、③要求（字数等，200字即4~5点）答题技巧：总分关系（具体问题具体分析，并不都是总分关系），先总后分小点，用原文材料词，按资料顺序来答。答题时不用分段！
2023-12-26 21:53:28
565
原创 自编码器 AutoEncoder
自动编码器（AutoEncoder），也称自编码模型，是一种基于无监督学习的数据维度压缩和特征表示方法，目的是对一组数据学习出一种表示。1986年 Rumelhart 提出自编码模型用于高维复杂数据的降维。由于自动编码器通常应用于无监督学习，所以不需要对训练样本进行标记。自动编码器再图像重构、聚类、降维、自然语言翻译等方面应用广泛。
2023-12-11 19:14:23
3125
原创 深度学习问答题
通常都小于 1，因此，当层数增多时，小于 0 的值不断相乘，最后就导致了梯度消失的情况出现。实现过程：计算训练阶段 mini_batch 数量激活函数前结果的均值和方差，然后对其进行归一化，最后对其进行缩放和平移。梯度消失和梯度爆炸本质上是一样的，都是因为网络层数太深而引发的梯度反向传播中的连乘效应。梯度爆炸：梯度呈指数级增长，变得非常大，然后导致网络权重大幅更新，使网络变得不稳定。梯度消失：梯度趋近于0，网络权重无法更新或更新的很微小，网络训练再久也不会有效果。
2023-10-10 18:52:05
956
原创 机器学习问答题
指分析因变量和自变量之间关系。线性回归: 对异常值非常敏感；多项式回归: 如果指数选择不当，容易过拟合;岭回归：加入L2正则项，等价于对参数www引入协方差为α\alphaα的零均值高斯先验，不能做variable selection；Lasso回归：加入L1正则项，等价于对参数www引入拉普拉斯先验，可以做variable selection；弹性网络回归。
2023-09-28 15:37:25
2253
原创 多尺度卷积
比如说，输出y4可以是x4经过一次卷积，也可以是x3经过2次卷积，还可以是x2经过三次卷积。如下图，黄色部分表示高频特征图，蓝色部分表示低频特征图。作者还提到，不仅在普通的卷积中可以改造成八度卷积的方法，对于分组和可分离卷积同样也是适用的。而且八度卷积是一个可插拔的整体操作，基本上只需要在特定位置上改成相应的八度卷积即可，卷积参数基本上保持不变，只是增加了一个低频占比的参数，以及在输入输出的特征图上分成了高频和低频部分。针对冗余问题，作者降低低频特征图的分辨率，即降低低频特征图的空间维度。
2023-07-20 14:51:34
5670
原创 SSD网络介绍
目标检测（object detection）的目的就是找出图像中所有感兴趣的目标，确定他们的类别和位置。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等许多因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。在Base Layer的基础上，作者将VGG16中的FC6,FC7改成了卷积层Conv6,Conv7，并且同时添加了Conv8,Conv9,Conv10,Conv11这几个特征层用于目标检测。：在多个尺度上进行目标检测以提高精度。：reshape后 大小为。
2023-07-20 09:28:47
1655
原创 Partial convolution && Gated convolution
组会讨论帖图像修复（Image Inpainting），顾名思义，就是将图像中损坏的部分修复起来，是一种图像编辑技术，可以应用在移除物体、修复老照片、图像补全（eg,地震插值）等等。论文链接：Image Inpainting for Irregular Holes Using Partial Convolutions (2018 ECCV)在这之前的深度学习图像补全方法都是使用CNN来做，即把损坏的图像作为输入，完整图像作为标签来进行学习。而普通的卷积（Vanilla convolutions）作用在图
2023-05-19 17:21:40
2463
2
原创 文献阅读 Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
由于DCNN的发展，最近关于超分辨率的研究取得了巨大成功。然而，任意比例因子的超分辨率长期以来一直被忽视。以往的研究者大多将不同比例因子的超分辨率视为独立的任务。他们为计算效率低下的每个比例因子训练一个特定的模型，而之前的工作只考虑了几个整数比例因子的超分辨率。在这项工作中，我们提出了一种称为Meta-SR的新方法，首先用单个模型解决任意比例因子（包括非整数）的超分辨率问题。在我们的Meta-SR中，提出了Meta-Upscale Module 来取代传统的upscale模块。
2023-05-05 17:07:59
510
原创 文献阅读 Meta transfer learning-based super-resolution infrared imaging
我们提出了一种具有元迁移学习和轻量级网络的红外图像超分辨率方法。我们设计了一个轻量级网络来学习低分辨率和高分辨率红外图像之间的映射。我们使用外部数据集训练网络，并使用内部数据集进行元迁移学习，使网络下降到一个敏感且可迁移的点。我们用红外模块构建了一个红外成像系统。设计的网络在个人计算机上实现，SR图像由经过训练的网络重建。本文的主要贡献采用轻量级网络和元迁移学习方法，获得了视觉效果更好的红外超分辨率图像。数值和实验结果均表明，所提出的方法实现了红外图像超分辨率。
2023-04-26 15:51:33
757
原创 LeetCode15 三数之和
给你一个整数数组 nums ，判断是否存在三元组numsinumsjtextnumsk]]满足i!ji!k且j!k，同时还满足numsinumsjnumsk==0。请你返回所有和为0且不重复的三元组。注意：答案中不可以包含重复的三元组。
2023-04-17 14:59:22
178
原创 文献阅读 To learn image super-resolution, use a GAN to learn how to do image degradation first
本文是关于图像和人脸超分辨率的研究。对于这一问题，先前的绝大多数工作都集中在如何提高低分辨率图像的分辨率上，这些低分辨率图像时通过简单的双线性下采样（或者在少数情况下通过模糊然后下采样）人工合成的。我们发现，当应用于真实世界中的低分辨率、低质量的图像时，这些方法并不能产生良好的效果。为了避免这个问题，我们提出了一个两阶段过程，首先训练一个从高到低的生成式对抗网络来学习如何在训练过程中只需要未配对的高分辨率图像和低分辨率图像来降级和下采样高分辨率图像。
2023-04-10 16:01:59
234
原创 人工智能在石油勘探开发中的应用及发展趋势（总结部分）
企业数字化转型是利用物联网、云计算、大数据、人工智能、区块链等信息技术，实现前端的数据自动采集、数据自动传输和实时感知，中间的安全存储、实时监控和集中控制，后端智能分析、数据共享和技术支撑。前、中、后端的整合、协同、高效联动和数据共享，有力地推动了传统业务操作流程的重构和工作模式的变革。人工智能在这种转变中发挥着至关重要的作用。人工智能技术有望打破探索和发展的瓶颈，将管理模式从垂直、孤立（传统）转变为融合、协同、扁平化，重构业务运作流程，提质降本增效，最终提升企业数字化转型。
2023-03-14 16:39:54
2389
原创 文献阅读 Image-to-Image Translation with Conditional Adversarial Networks
本文中所使用的cGAN模型为上篇论文的mainidea，这里再进行一下相关介绍。我们研究了条件对抗网络作为图像到图像翻译问题的通用方案。这些网络不仅学习从输入图像到输出图像的映射，而且还学习一个损失函数来训练这种映射。这使得我们有可能将同样的通用方法应用于传统需要非常不同的损失公式的问题上。我们证明了这种方法在从标签图合成照片、从边缘图重建物体和给图像着色等任务中是有效的。
2023-03-01 16:45:06
317
原创 文献阅读 Improving Seismic Data Resolution with Deep Generative Networks
叠前数据的使用，通常可以来解决噪声迹线、覆盖间隙或不规则/不适当的迹线间距等问题。但叠前数据并不总是可用的。作为替代方案，叠后插值可增加地震剖面的空间密度来帮助地质解释，也可以通过插值邻道来重建整个剖面以降低现场成本。本文评估了cGAN（条件式生成对抗网络）作为插值工具的性能，用于提高叠后地震数据的分辨率提升。结果表明，cGAN的性能优于传统算法高达72%，并且纹理描述符可以更好地捕获图像相似性，从而产生与视觉感知更一致的结果。
2023-02-27 21:34:22
399
原创 文献阅读 Seismic Data Super-resolution Method Based on Residual Attention Network
地震数据能够反应地质构造以及地层的组成，精确详细的地震数据能够指导油气勘探工作实现更大的经济效益。数据地震具有局部相关性高、全局相关性低的特点；同时，地震数据的高频部分通常蕴含这地质勘探的重要信息，如分层、断层信息等。本文针对地震数据的特点，提出了基于生成对抗网络的超分辨率方法。设计了残差注意力模块，挖掘地震数据的内在相关性，通过训练含有相对生成对抗损失函数的GAN模型，来对地震数据进行超分辨率恢复，以得到更加精确的地震数据。结果表明，所用方法在地震数据超分辨率上效果良好，具有较强的实用性。
2023-02-27 16:56:46
485
原创 文献阅读 An implementation of the seismic resolution enhancing network based on GAN
对于地震数据，本文利用深度学习来学习不同层次的特征并将它们合并以恢复缺失的分辨率。将GAN网络引入到地震数据处理；对于3D现场数据集，使用了一种典型的连续小波变换域中的自适应带宽扩展来提高其分辨率；实验表明，可以获得与传统方法相当的结果，同时还恢复了比传统方法更多的微小反射。
2023-02-24 17:21:08
858
原创 GAN的损失函数
在训练过程中，生成器和判别器的目标是相矛盾的，并且这种矛盾可以体现在判别器的判断准确性上。生成器的目标是生成尽量真实的数据，最好能够以假乱真、让判别器判断不出来，因此生成器的学习目标是让判别器上的判断准确性；相反，判别器的目标是尽量判别出真伪，因此判别器的学习目标是让自己的判别准确性。当生成器生成的数据越来越真时，判别器为维持住自己的准确性，就必须向辨别能力越来越强的方向迭代。当判别器越来越强大时，生成器为了降低判别器的判断准确性，就必须生成越来越真的数据。在这个奇妙的关系中，判别器判断的准确性由。
2023-01-08 22:41:52
8470
8
原创 迁移学习（Transfer Learning）
1. 迁移学习1.1 Motivation能在一个任务上学习一个模型，然后用其来解决相关的别的任务，这样我们在一个地方花的时间，学习的一些知识，研究的一些看法可以在可以在另外一个地方被使用到；在深度学习中我们会训练很多深层的神经网络， 训练这些神经网络需要大量（带标签）数据，同时训练的代价非常高。就是说，我们很难对每一个任务都去制作一个巨大的数据集去训练。如果我们在一个任务上训练好的模型，能在其他地方使用，效果最好。1.2 Approaches训练好一个模型，然后把它做成一个特征提取的
2022-03-30 14:37:13
5807
原创 20220323
1在上次讨论中，得知地震数据与一般图像数据还是存在一定差距。例如地震数据值域为 [−1,1][-1, 1][−1,1]，图像数据则是 [0,255][0,255][0,255]，归一化后为 [0,1][0,1][0,1]。将地震数据转换成图片然后再进行可视化及后续处理，是比较蠢的做法。2 测试如图，左图为上采样得到的低分辨率地震数据，右图为重建后的地震数据。...
2022-03-23 13:34:28
719
1
原创 20220309讨论
1.传统图像与地震图像在地震图像难得的基础上，是否可以考虑将它们两者进行无差别对待？1.传统图像通常是RBG三色图，而地震图像通常是单通道的灰度图。2.在此前建立的模型中，是采用单通道的输入、输出进行训练。基于此想法，故直接使用RBG模型运用到单通道地震数据中。2. 效果对mat文件进行转换from scipy.io import loadmatimport matplotlib.pyplot as pltimport imageiodata = loadmat('data_60.
2022-03-08 22:29:02
610
3
原创 超分20220225讨论
1.改动在原来模型的基础上增加深度。替换训练数据集。由原来的VOC2012替换为DIV2K（共800张）。如下：target_pic:（2040×16442040 \times 16442040×1644）data_pic：(1020×8221020 \times 8221020×822，双三次插值）备注：1.没有对训练集数据进行统一裁剪处理，各个图片大小不一。batchsize=12.验证集和测试集未作改变。2.效果2.1 原模型+新训练集训练集效果：大概在27、28左右。
2022-02-25 14:07:10
426
原创 RED-Net神经网络
1.REDRED-Net(very deep Residual Encoder-Decoder Networks)，即非常深的残差编码器-解码器网络。RED-Net的结构是对称的，每个卷积层都有对应的反卷积层。卷积层在消除损坏的同时捕获图像内容的抽象，反卷积层则对特征图进行上采样和恢复图像细节。每一组镜像对应的反卷积层有着跳跃连接结构，将两部分具有同样尺寸的特征做相加处理。这解决了两个问题：1）当网络深入时，图像细节可能会丢失，从而使反卷积在恢复时变得更弱。2）梯度消失。这样的结构能够将卷积层
2022-02-22 14:26:13
3863
2
原创 超分20220218讨论
1 重要模块1.1 亚像素卷积在深度学习处理图像中，经常需要对特征图进行一个放大，通常使用的方法有：插值法，反卷积、直接上采样等等。一个正常的反/逆/转置卷积：如图，将一个 5×55\times55×5 的小图片变成 7×77\times77×7 的大图片。其中白色虚线区域全填0。ESPCN作者认为，这些白色的填0区域为无效信息，并且对求梯度优化有害处。故提出了一种Sub-pixel方法。图片经过一系列卷积后，得到大小为 H×W×r2H\times W\times r^2H×W×r2 的特征图。
2022-02-18 05:18:15
3228
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人