- 博客(75)
- 收藏
- 关注
RSS订阅原创 深度学习·mmsegmentation基础教程
继承类别和RGB标签的映射关系指定图像扩展名、标注扩展名seg_map_suffix='.png', # 标注mask图像的格式reduce_zero_label=False, # 类别ID为0的类别是否需要除去**kwargs)# 类别和对应的 RGB配色# 指定图像扩展名、标注扩展名seg_map_suffix='.png', # 标注mask图像的格式reduce_zero_label=False, # 类别ID为0的类别是否需要除去**kwargs)
2025-08-02 14:46:56
1001
原创 环境配置·mmsegmentation和mmcv的安装
大概意思是缺少cl.exe编译器，这是一个C++和python混合编译的库，所以需要C++编译器。建议结合以下步骤安装pytorch，实测速度非常快！，可以参考别的地方的源，快就行了！(这一步是为了确保二者兼容)，然后。的意思是channel，这里的。，而是尝试安装更高的版本。但是又出现了新的问题，
2025-07-31 20:48:22
135
原创 深度学习·CLIP
CLIP是一种基于对比学习的跨模态预训练模型，通过4亿高质量文本-图像对进行训练。模型包含文本编码器（Transformer结构）和图像编码器（ResNet或ViT），分别提取文本和图像特征。训练时通过计算文本-图像对的余弦相似度矩阵，采用双向交叉熵损失进行优化。推理阶段可直接匹配图像与类别名称文本，支持提示工程提升效果。该模型突破了传统监督学习的范式，在零样本分类任务上表现出色，为多模态研究开辟了新方向。
2025-07-21 18:38:01
717
原创 深度学习·目标检测和语义分割基础
在预测时，我们为每个图像生成多个锚框，预测所有锚框的类别和偏移量，根据预测的偏移量调整它们的位置以获得预测的边界框，最后只输出符合特定条件的预测边界框。（offset）标签，其中前者是与锚框相关的对象的类别，后者是真实边界框相对于锚框的偏移量。要标记任何生成的锚框，我们可以参考分配到的最接近此锚框的真实边界框的位置和类别标签。（中）所示，丢弃矩阵第7行和第1列中的所有元素，在剩余元素（阴影区域）中找到最大的。（右）所示，丢弃矩阵第5行和第4列中的所有元素，在剩余元素（阴影区域）中找到最大的。
2025-07-15 21:26:45
322
原创 深度学习·经典模型·VisionTransformer
🔤我们注意到 Vision Transformer 的图像特异性电感偏差比 CNN 小得多。在 CNN 中，局部性、二维邻域结构和平移等方差被烘焙到整个模型的每一层中🔤。
2025-04-29 13:00:41
1046
原创 算法·回溯与搜索
使用DFS遍历所有结果，对每个结果只在最后收集时检查。这个搜索次数过大，一般都会超时！P10386 [蓝桥杯 2024 省 A] 五子棋对弈：不设时间限制的题目，可以采用这种思路。
2025-04-07 21:40:44
296
原创 算法·动态规划·入门&线性
P1216 [IOI 1994] 数字三角形 Number Triangles121. 买卖股票的最佳时机：因为只能卖一次，所以转移函数需要特别注意.122.买卖股票的最佳时机II：只能买一次和买多次递推公式的区别.123.买卖股票的最佳时机III初始化的含义188.买卖股票的最佳时机IV隐含状态dp[i][0]309.最佳买卖股票时机含冷冻期状态定义，状态压缩。三种状态：持有，不持有但不在冷冻期，冷冻期dp[0][1]=0;dp[0][2]=0;i++){两种状态：持有和不持有。
2025-03-22 16:20:57
351
原创 图论·并查集
在实现程序自动分析的过程中，常常需要判定一些约束条件是否能被同时满足。考虑一个约束满足问题的简化版本：假设x1x2x3⋯代表程序中出现的变量，给定n个形如xixj或xixj的变量相等/不等的约束条件，请判定是否可以分别为每一个变量赋予恰当的值，使得上述所有约束条件同时被满足。
2025-03-16 16:19:28
579
原创 图论Day1·搜索
链接如下99.岛屿数量链接如下100.岛屿的最大面积连接如下101.孤岛的总面积链接如下方法２转化一下问题:提前处理在陆地的岛屿102.沉没孤岛链接如下方法２特殊标记，最后还原一下就行。103.水流问题链接如下104.最大岛屿链接如下
2025-03-09 14:36:08
404
原创 深度学习·Pytorch
继承nn.Module重写构造函数+前向传播# 用模型参数声明层。这里，我们声明两个全连接的层# 调用MLP的父类Module的构造函数来执行必要的初始化。# 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）self.hidden = nn.Linear(20, 256) # 隐藏层self.out = nn.Linear(256, 10) # 输出层# 定义模型的前向传播，即如何根据输入X返回所需的模型输出。
2024-08-14 17:40:53
717
原创 深度学习·神经网络初步
矩阵W的实际含义是：看作当前层神经元的权重向量(这是一个行向量)组成的列向量。表现在代码上就是生成随机矩阵作为掩码与输出矩阵相乘。矩阵A的实际含义是：列是样本，行是特征。随机丢弃一些神经元(输出结果置0)公式与线性回归一致，只不过对矩阵。利用链式法则求导，每次反向传播。
2024-08-10 16:59:41
707
原创 机器学习·L2W4-决策树
提升方法训练多棵树，但它们彼此之间不再互不相关，而是一棵树接一棵树地拟合，以最小化误差。XGBoost 的一个有趣之处在于，在拟合过程中，它可以采用形式为 (X_val,y_val) 的评估数据集。学习率是梯度下降法的步骤大小，XGBoost 在内部使用该方法来最小化每个训练步骤中的误差。随机森林的另一个超参数称为 n_estimators，它是组成随机森林的决策树的数量。请记住，对于随机森林，我们随机选择特征子集并随机选择训练示例子集来训练每棵树。由于每棵树的拟合彼此独立，因此可以并行拟合多棵树。
2024-08-08 21:12:55
728
原创 机器学习·L3W1-聚类和异常检测
计算每个样本点的正态分布概率密度，并且累乘得到最终概率，依据概率选择epsilon处理异常。公式是计算每一个聚类中心和当前样本的距离，挑选一个最短距离作为当前点的类别。参照分类模型的评估标准，选择F1分数最高的模型参数。异常检测是无监督学习，分类是有监督学习；一般采取计算样本的均值，使用。两层for循环直接暴力搜索。注意python的条件索引。利用python的判断语法。注意高斯函数算完后还要。距离不一定是欧式距离。
2024-08-08 15:31:58
1042
原创 机器学习·回归
J(w,b)=12m∑i=1m(f(i)(w1,w2,…,wj,b)−y(i))2J(w,b)=\frac{1}{2m}\sum_{i=1}^{m}\left({f^{(i)}(w_1,w_2,\ldots,w_j,b)-y^{(i)}} \right)^2J(w,b)=2m1i=1∑m(f(i)(w1,w2,…,wj,b)−y(i))2wi=wi−α1m∑i=1m(f(i)(w1,w2,…,wj,b)−y(i))wiw_i=w_i-\alpha\frac{1}{m}\sum_{i=1}^{m}
2024-07-27 21:21:13
369
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人