摘要:一、介绍 特征值和奇异值在大部分人的印象中,往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面,也很少讲任何跟特征值与奇异值有关的应用背景。 奇异值分解是一个有着很明显的物理意义的一种方法,它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示,这些小矩阵描述的是矩阵的重要的特性。就像 阅读全文
posted @ 2020-01-19 19:08 |旧市拾荒| 阅读 (123) 评论 (0) 编辑
摘要:近日,在使用谷歌新推出来的一个网络EfficientDet进行目标检测训练自己的数据集的时候,出现了如下错误: 其中项目开源地址是:https://github.com/toandaominh1997/EfficientDet.Pytorch 上面截图中的1和2代表我的类别名称。读者可以忽略不管。 阅读全文
posted @ 2020-01-16 16:55 |旧市拾荒| 阅读 (63) 评论 (0) 编辑
摘要:一、矩阵 1、系数矩阵 前面学习了矩阵很多基础知识,那么遇到具体的线性方程组该怎么办呢?该怎么转换为矩阵来求解呢?如下图所示,A为系数矩阵,X是未知数矩阵,B是常数矩阵。 2、矩阵转置 简单来说就是矩阵的行元素和列元素互相调换一下。 下面列出一些矩阵转置常用的公式 这些都没有什么好说的,都比较好理解 阅读全文
posted @ 2020-01-12 23:23 |旧市拾荒| 阅读 (183) 评论 (0) 编辑
摘要:一、拉格朗日乘子法 1、通俗解释 给个函数:$Z=f(x,y)$如何求出它的极值点呢?有了前面的知识,简单来说直接求它的偏导不就OK了吗? 那现在假如说对这个函数加上一个约束条件呢?也就说现在假如有这样一个约束条件$2xy+2yz+2zx=S$,那该怎么样求出函数$Z(x,y,z)=xyz$的最大值 阅读全文
posted @ 2020-01-05 17:04 |旧市拾荒| 阅读 (194) 评论 (0) 编辑
摘要:近日,在使用CascadeRCNN完成目标检测任务时,我在使用这个模型训练自己的数据集时出现了如下错误: tensorflow.python.framework.errors_impl.OutOfRangeError: PaddingFIFOQueue '_1_get_batch/batch/pad 阅读全文
posted @ 2020-01-02 20:26 |旧市拾荒| 阅读 (89) 评论 (0) 编辑
摘要:一、第一中值定理 如果函数f(x)在闭区间[a,b]上连续,则在积分区间[a,b]上至少存在一个点$\xi $,使得$\int_{a}^{b}f(x)dx=f(\xi )(b-a).(a\leqslant \xi \leqslant b)$ 二、微积分基本定理 积分上限函数:函数f(x)在区间[a, 阅读全文
posted @ 2019-12-28 21:46 |旧市拾荒| 阅读 (463) 评论 (2) 编辑
摘要:一、偏导数 对于一元函数y=f(x)只存在y随x的变化,但是二元函数z=f(x,y)存在z随x变化的变化率,随y变化的变化率,随x﹑y同时变化的变化率。如下图所示 1、偏导数定义 设函数$z=f(x,y)$在点(x0,y0)的某个邻域内有定义,定y=y0,一元函数$f(x_{0},y_{0})$在点 阅读全文
posted @ 2019-12-23 19:48 |旧市拾荒| 阅读 (311) 评论 (0) 编辑
摘要:最近在使用python进行筛选图片的时候,想到用python里面的os库进行图片的删除。 具体筛选方法就是,删除掉图片长度或宽度小于100像素的图片,示例代码如下所示: for file in os.listdir(img_path): if file.split('.')[-1]=='jpg': 阅读全文
posted @ 2019-12-16 13:57 |旧市拾荒| 阅读 (338) 评论 (0) 编辑
摘要:为了加深在人工智能、深度学习领域的学习,接下来会推出数学基础系列博客,加深自己在这领域的基础知识。 一、函数 1、函数的定义 函数表示量与量之间的关系如:$A=\pi r^{2}$。更普遍的是用$y=f(x)$表示,其中x表示自变量,y表示因变量。函数在x0处取得的函数值$y_{0}=y\mid _ 阅读全文
posted @ 2019-12-10 22:28 |旧市拾荒| 阅读 (485) 评论 (0) 编辑
摘要:所谓图像风格迁移,是指利用算法学习著名画作的风格,然后再把这种风格应用到另外一张图片上的技术。著名的图像处理应用Prisma是利用风格迁移技术,普通用户的照片自动变换为具有艺术家风格的图片。 一、图像风格迁移的原理 1、原始图像风格迁移的原理 在学习原始的图像风格迁移之前,可以在先看看ImageNe 阅读全文
posted @ 2019-12-04 23:19 |旧市拾荒| 阅读 (400) 评论 (0) 编辑
摘要:一、MTCNN的原理 搭建人脸识别系统的第一步是人脸检测,也就是在图片中找到人脸的位置。在这个过程中,系统的输入是一张可能含有人脸的图片,输出是人脸位置的矩形框,如下图所示。一般来说,人脸检测应该可以正确检测出图片中存在的所有人脸,不能用遗漏,也不能有错检。 获得包含人脸的矩形框后,第二步要做的就是 阅读全文
posted @ 2019-11-25 22:07 |旧市拾荒| 阅读 (496) 评论 (0) 编辑
摘要:一、Fast R-CNN原理 在SPPNet中,实际上特征提取和区域分类两个步骤还是分离的。只是使用ROI池化层提取了每个区域的特征,在对这些区域分类时,还是使用传统的SVM作为分类器。Fast R-CNN相比SPPNet更进一步,不再使用SVM作为分类器,而是使用神经网络进行分类,这样就可以同时训 阅读全文
posted @ 2019-11-18 22:12 |旧市拾荒| 阅读 (54) 评论 (0) 编辑
摘要:最近两天被windows下pytorch的安装给搞得很烦了,不过在今天终于安装成功了,如下图所示 下面详细说下此次安装的详细记录吧。我的电脑环境是Windows10+cuda9.0+cudnn7.1。 首先按照流程百度安装教程,然后发现大部分都是用官网https://pytorch.org/提供的命 阅读全文
posted @ 2019-11-14 14:45 |旧市拾荒| 阅读 (83) 评论 (0) 编辑
摘要:一、R-CNN的原理 R-CNN的全称是Region-CNN,它可以说是第一个将深度学习应用到目标检测上的算法。后面将要学习的Fast R-CNN、Faster R-CNN全部都是建立在R-CNN基础上的。 传统的目标检测方法大多以图像识别为基础。一般可以在图片上使用穷举法选出所有物体可能出现的区域 阅读全文
posted @ 2019-11-11 22:38 |旧市拾荒| 阅读 (36) 评论 (0) 编辑
摘要:一、数据准备 首先要做一些数据准备方面的工作:一是把数据集切分为训练集和验证集, 二是转换为tfrecord 格式。在data_prepare/文件夹中提供了会用到的数据集和代码。首先要将自己的数据集切分为训练集和验证集,训练集用于训练模型, 验证集用来验证模型的准确率。这篇文章已经提供了一个实验用 阅读全文
posted @ 2019-11-02 17:34 |旧市拾荒| 阅读 (253) 评论 (0) 编辑