原创 Opencv學習筆記1:安裝opencv和VS2015並進行圖片測試

用了Opencv一段時間了,簡單記錄一下opencv在vs2015下的配置。 第一部分:OpenCV3.4.1的下載 OpenCV官方下載地址: https://opencv.org/releases.html# 根據自己的電腦

原创 雷達原理知識點彙總

背景 1、軍用雷達如圖: 2、天基雷達結構示意圖: 第一章 緒論 1、雷達概念(Radar): radar的音譯,“Radio Detection and Ranging ”的縮寫。原意是“無線電探測和測距”,即用無線電方法發

原创 矩陣和向量--線性代數的本質--矩陣、線性變換、矩陣乘法與線性變換複合

線性代數的本質,源視頻 https://www.bilibili.com/video/BV1ys411472E 目錄 矩陣和線性變換 矩陣乘法與複合變換 Unfortunately, no one can be told what

原创 OpenAI發佈具有1750億個參數的GPT-3 AI語言模型

論文地址:https://arxiv.org/abs/2005.14165 guthub:https://github.com/openai/gpt-3 OpenAI的一組研究人員最近發表了一篇論文,描述了GPT-3,這是一種具有

原创 3D點雲深度學習」綜述論文--Deep Learning for 3D Point Clouds: A Survey

三維點雲深度學習研究綜述 論文:Deep Learning for 3D Point Clouds: A Survey 作者:Yulan Guo 時間:2019-12 引言 動機: Point cloud learning (點

原创 完整製作個人博客系統

一、下載Wordpress,並上傳到虛擬空間上 點擊下載Wordpress5.3.2 點擊下載FlashFXP 二、安裝WordPress 將WordPress壓縮包解壓至一個空文件夾,並上傳它。 在瀏覽器中訪問wp-admi

原创 matplotlib中plt.scatter()與plt.plot()參數詳解

scatter繪製散點,plot繪製經過點的曲線 scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, al

原创 90題細品吳恩達《機器學習》,感受被刷題支配的恐懼

大家好,吳恩達《機器學習》多有名多經典我就不贅述啦,但是現在市面上基本都是他的課程和編程題的翻譯版,很少有人翻譯測驗(quiz)的題。 最近我自己親測感受了一下,會考一些你沒有注意到的點,非常細膩。在錯到懷疑人生的同時,可以幫你複

原创 NLP領域中的遷移學習現狀

本文拓展自NAACL 2019教程“NLP領域的遷移學習”,這個教程是由Matthew Peters、Swabha Swayamdipta、Thomas Wolf和我組織策劃的。在這篇文章中,我強調了一些在這個領域中的見解和收穫,

原创 CNN中難點分析--對卷積層(Convolution)與池化層(Pooling)的理解

傳統機器學習通過特徵工程提取特徵,作爲Input參數進行輸入,從而擬合一個相對合適的w參數,而CNN利用卷積層感知局部特徵,然後更高層次對局部進行綜合操作,從而得到全局信息,池化層層提取主要特徵,從而自動提取特徵。 1、池化層的

原创 遷移學習的幾種遷移方式

遷移學習是當前深度學習領域的一系列通用的解決方案,而不是一個具體的算法模型。Pre-training + fine-tuning(預訓練+調參) 的遷移學習方式是現在深度學習中一個非常流行的遷移學習方式,尤其是以圖像領域爲代表,很

原创 C#用普通郵箱SMTP發郵件

C#SMTP發郵件 簡單郵件傳輸協議 (Simple Mail Transfer Protocol, SMTP) 是事實上的在Internet傳輸email的標準。 C#郵件傳輸主要用到了SmtpClient MailMessag

原创 每日刷算法--劍指offer從尾到頭打印鏈表

題目描述 輸入一個鏈表,按鏈表從尾到頭的順序返回一個ArrayList。 分析:鏈表倒置有兩種思路,第一種是可以從修改節點的next屬性進行倒置,第二種可以把節點放在棧中,然後從棧頂開始取出即可實現倒置的效果 代碼: 第一種

原创 卷積神經網絡--圖像卷積與反捲積(後卷積,轉置卷積)

1.前言 傳統的CNN網絡只能給出圖像的LABLE,但是在很多情況下需要對識別的物體進行分割實現end to end,然後FCN出現了,給物體分割提供了一個非常重要的解決思路,其核心就是卷積與反捲積,所以這裏就詳細解釋卷積與反捲