原创 索尼電腦更換主硬盤爲SSD及安裝win10+ubuntu18

近期將電腦升級,換了SSD,簡單記錄。 一、將主硬盤更換爲SSD,並將機械硬盤放至光驅位。 這部分遇到的幾個問題: 1、主硬盤位置托架螺絲太緊,導致沒有擰開,並且將螺絲損壞。 解決辦法:用小一號一字螺絲刀擰開。 2、原光驅位頭部是

原创 配置 Jupyter notebook 遠程訪問 (Ubuntu 16 .04)

使用jupyter notebook可以遠程訪問服務器的內容,還是比較方便的。 一、安裝anaconda3 (anaconda中一般自帶jupyter notebook) 參考博客:https://blog.csdn.net/u0

原创 pycharm對包含命令行參數的python程序debug

在debug python 程序中,調試的是含有命令行解析的程序,一開始直接添加斷點調試總是不能成功調試,提示: 而且debug界面總是提示沒有可以獲得的變量。 總是會直接將程序運行完畢,沒辦法調試。 後來發現是沒有將命令行參

原创 遍歷二叉樹—前序遍歷,中序遍歷,後序遍歷,中綴表達式,後綴表達式。

二叉樹遍歷方法 1、前序遍歷 說明:若二叉樹爲空,則空操作返回,否則先訪問根結點,然後前序遍歷左子樹,再前序遍歷右子樹。 簡單來講,一句話:根結點排最先,同級先左後右。 示例1:                  解釋:根結點

原创 關於pytorch中的CrossEntropyLoss()的理解

分類問題中,交叉熵函數是比較常用也是比較基礎的損失函數。 基本推導過程 提到交叉熵,腦子裏就會出現這個公式: L=−[y∗logy^+(1−y)∗log(1−y^)]L=-[y*log\hat{y}+(1-y)*log(1-\ha

原创 總結常用數據集網址、鏈接(語義分割)

由於很多數據集很大,大都超過4G,無法上傳百度網盤直接供大家使用,這裏提供官方下載網址和部分百度網盤地址。 VOC2012數據集 官方下載:http://host.robots.ox.ac.uk/pascal/VOC/voc201

原创 電腦批量重命名有一定規律的大量文件

https://jingyan.baidu.com/article/e52e36150dc53040c60c5125.html 很好用 第三列插入的是:="ren “&A1&” "&B1

原创 關於訓練神經網路的諸多Trick

1. 避免過擬合 overfitting即過擬合,典型的表現爲訓練集損失遠遠小於驗證集損失。而欠擬合則表現爲訓練集損失大於驗證集損失。 要清楚遠遠大於的概念,如果訓練集損失只比驗證集損失多一點點的話,同等數量級(例如0.8與0

原创 Linux 系統 ubuntu常見指令

1、在開機界面進入終端字符界面 Ctrl+Alt+F1 進入終端字符界面 Ctrl+Alt+F7返回ubuntu桌面 2、Ubuntu刪除文件的命令 sudo rm -r 文件夾名 3、安裝deb後綴的包 sudo dpk

原创 數學建模--Lingo語言使用總結以及經典例題

準備數學建模比賽中,使用的是Lingo軟件,將學習中遇到的問題做下總結: 資料總結鏈接:https://blog.csdn.net/yzu_120702117/article/details/38415153 1、關於數學函數使用

原创 pytorch中使用tensorboard實現可視化

tensorflow框架下的tensorboard可視化工具可以用到pytorch中用於可視化。 目前我用到的需求就是僅僅顯示標量(train/val loss),記錄一下,希望也可以給看到這篇文章的你帶來幫助。 一、環境安裝 a

原创 圖像金字塔實現圖像融合(基於opencv-python)

圖像金字塔介紹 圖像金字塔是多尺度表達的一種,是一種以多分辨率來解釋圖像的有效但概念簡單的結構。。一幅圖像的金字塔是一系列以金字塔形狀排列的分辨率逐漸降低並且來源於同一張原始圖像的集合。通過梯次向下採樣獲得,直到某個終止條件才停

原创 語義分割程序調試:TypeError: expected str, bytes or os.PathLike object, not NoneType

項目地址: https://github.com/meetshah1995/pytorch-semseg 遇到的問題: Traceback (most recent call last): File "H:/pycharm_p

原创 數學知識--外積和內積

1、外積(叉積、向量積、叉乘) 向量積,數學中又稱外積、叉積,物理中稱矢積、叉乘,是一種在向量空間中向量的二元運算。它的運算結果是一個向量而不是一個數。兩個向量的叉積與兩個向量組成的座標平面垂直。 對於向量U和向量V: U=(x1

原创 卷積神經網絡參數數目計算(pytorch框架)

計算待訓練參數數量 1、定義神經網絡 設定簡單的卷積神經網絡,只有一個卷積層和一個全連接層。 卷積層爲6個3×3的卷積核 輸入圖片爲大小爲1×1×32×32 從代碼的角度來理解: class Net(nn.Module):