assignment图像 特征 笔记
python笔记
一、新建python虚拟环境 python -m venv demovenv 二、配置pip源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 在cmd窗口运行上述命令后会在 C:\Users\9211 ......
HTTPS加密套件的笔记
本文于2016年5月份完成，发布在个人博客网站上。 考虑个人博客因某种原因无法修复，于是在博客园安家，之前发布的文章逐步搬迁过来。 按照如下配置（适用于Tomcat 7.0.x），为Tomcat启用了HTTPS协议，用户访问站点时是否就安全了呢？ <!-- HTTP通道，跳转至8443端口 --> ......
读算法霸权笔记10_分类与群体
1. 地域经济歧视（redlining） 1.1. 问题 1.1.1. 贫穷和不公与美国黑人的高死亡率是否有关 1.1.2. 缺少好的学校、现代化的卫生设施、安全的工作场所和医疗保险是否会导致黑人在更年轻的年龄死亡 1.2. 黑人只是一个庞大的同类群体，而没有把黑人按照不同的地理、社会或经济群体进行 ......
微信小程序开发学习笔记（一）
基础介绍 首先至少会点html,css基础知识再来学，微信开发者工具打开，创建一个js开发基础模板的项目，它的目录如下：wxml就是html，wxss就是css，app开头的就是页面进来首先加载的配置，project.config.json就是一些配置设置，就是详情的本地设置的代码。 推荐学习方式： ......
学习笔记437—excel表格中向上取整数的公式
EXCEL表格中向上取整数的公式 1、打开EXCEL表格，在表格中输入数据。 2、在计算单元格内输入函数公式“=ROUNDUP(B16/40,0)”，第二个参数0，即是往上舍入取整数。 3、按下回车，表格里计算的数据全部向上舍入取整数。 ......
2023年10月份阅读笔记2
本次阅读的是《构建之法》 第五章 团队和流程 5.2 软件团队的模式 主治医师模式、明星模式、社区模式、业余剧团模式、秘密团队、特工团队、交响乐团模式、爵士乐模式、功能团队模式、官僚模式 5.3 开发流程 ①写了再改模式 ②瀑布模型（Waterfall Model） 是一个项目开发架构，开发过程是通 ......
InterLM训练营 第一课笔记
大模型在ChatGPT发布之后，成为今年最热的话题与研究方向，也有人把今年称为AI元年 通用大模型 书生·浦语大模型 开源历程 书生·浦语大模型系列 性能 从模型到应用 针对上述的步骤中所用到的不同技术，提供了不同的开源框架 数据 预训练 微调 评测 OpenCompass 部署 智能体 Lagen ......
隧道转发笔记2
在192.168.1.206 上执行 ssh -fN -D 0.0.0.0:8888 root@192.168.1.207 将报文转发到207 在207 上设置ssh 允许动态转发 vim /etc/ssh/sshd_config 确保以下行没有注释（没有 "#" 符号），或者将其添加进去： All ......
深度学习笔记_Week1
本笔记基于吴恩达深度学习deeplearning.ai课程 第二周：神经网络的编程基础 神经网络的训练过程可以分为前向传播和反向传播两个独立的部分 2.1 二分类(Binary Classification) 所谓二分类问题，可以参照以下例子 假如你有一张图片作为输入，比如这只猫，如果识别这张图 片 ......
CMake 学习笔记
CMake 学习笔记 CMake 已经是 C++ 构建系统的事实标准。 主要是对小彭老师的 C++ 视频课程中 CMake 相关部分的一些笔记和整理，视频链接如下 学 C++ 从 CMake 学起 现代 CMake 高级教程 包含视频中的代码和 PPT 的仓库见以下链接 https://github ......
读书笔记二
进程和线程:进程和线程都是一个时间段的描述，是CPU工作时间段的描述，不过是颗粒大小不同.进程就是包换上下文切换的程序执行时间总和 = CPU加载上下文+CPU执行+CPU保存上下文.线程是共享了进程的上下文环境的更为细小的CPU时间段。 判别式模型和生成式模型: 判别式模型直接学习决策函数f(X) ......
读书笔记
《算法之美》这本书为我打开了计算机科学和算法设计的奇妙大门，引领我走进了一个充满智慧和创造力的世界。在这本书中，作者讲述了许多关于算法的精妙之处，让我对计算机科学有了更深层次的理解。首先，书中深入浅出地介绍了各种算法的原理和应用，以生动的例子和清晰的解释，使得那些抽象的概念变得具体而易懂。通过分析不 ......
简易机器学习笔记（八）关于经典的图像分类问题-常见经典神经网络LeNet
前言 图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉的核心，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。图像分类在许多领域都有着广泛的应用，如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类， ......
vue学习笔记2024
《Vue.js从入门到项目实战》 孙鑫v-bind用于响应式地更新HTML属性，v-on用于监听DOM事件,变量需要引号引起来v-if是彻底没有v-的命令需要把变量用引号引起来，插值{{}}则不需要v-if和v-for在同一个元素上使用时，v-if优先级高于v-for，意味着v-if不能访问v-fo ......
小傅哥设计模式学习笔记
小傅哥网站：https://bugstack.cn/md/develop/design-pattern/2020-06-11-%E9%87%8D%E5%AD%A6%20Java%20%E8%AE%BE%E8%AE%A1%E6%A8%A1%E5%BC%8F%E3%80%8A%E5%AE%9E%E6%8 ......
特征工程
通过结合方差阈值、特征相关性分析、单因素统计测试、递归特征消除和特征重要性等特征选择方案，在减少特征数量的同时，最大限度地保留对目标变量的关键信息，从而提升模型的效率、可解释性，并防止过度拟合的发生。 一、特征相关性分析 计算各个特征之间的相关性（可用皮尔逊相关系数）。如果有相关系数较高的两个特征， ......
简易机器学习笔记（七）计算机视觉基础 - 常用卷积核和简单的图片的处理
前言 这里实际上涉及到了挺多有关有关理论的东西，可以详细看一下paddle的官方文档。不过我这里不过多的谈有关理论的东西。 【低层视觉】低层视觉中常见的卷积核汇总 图像处理中常用的卷积核 在代码中，我们实际上是用不同的卷积核来造成不同的影响，我这里也是paddle中对于卷积核的几个比较简单的应用。 ......
基于FPGA的图像拼接算法实现,包括tb测试文件和MATLAB辅助验证
1.算法运行效果图预览 将FPGA的拼接结果导入到matlab，显示结果如下： 2.算法运行软件版本 vivado2019.2 matlab2022a 3.算法理论概述 3.1 理论概述 基于FPGA的图像拼接算法实现是一种利用FPGA硬件平台对图像进行拼接处理的方法。基于FPGA的图像拼接算法实现 ......
DSU on tree 学习笔记
DSU on tree 通常用来解决不带修树上子树问题。 主要思想： 剖分。 先搜轻儿子，记录轻儿子子树的答案，删去轻儿子的贡献。 搜重儿子，记录重儿子子树的答案，保留重儿子的贡献。 回溯，重新搜轻儿子，把轻儿子子树的贡献加上，构成本子树的答案。 CF600E Lomsat gelral #incl ......
ARC 做题笔记
ARC157 A. XXYYX 观察一些性质。注意到 \(\texttt{XY}\) 和 \(\texttt{YX}\) 会产生当且仅当 \(\texttt{X}\) 和 \(\texttt{Y}\) 的连续段交错，因此 \(|b-c|=1\)。然后特判掉 \(a\neq 0,b=0,c=0,d\n ......
图像算法（伽马变换）
伽马变换（Gamma Correction）是一种常用于图像处理的非线性变换方法，用于调整图像的亮度。伽马变换的主要目的是对图像的像素值进行幂函数变换，以改变图像的对比度和亮度。 伽马变换的数学表达式为： \(I_{(out)}(x,y)=I_{in}(x,y)^{\gamma}\) 其中： \(I ......
DNS笔记
域名 因为访问网站时，很难记住对应网站的IP地址，所以使用域名来代替IP地址，使用户更加方便的访问网站。 DNS服务器的作用就是将IP地址与域名进行映射，使用户可通过域名得到到对应的IP，然后进行访问。 域名从右到左依次为顶级域名（一级域名）、二级域名、三级域名、四级域名、等等(通常域名层级不超过三 ......
Python笔记
学习Python时做的笔记，主要参考： B站小飞有点东西：https://space.bilibili.com/1803865534 董付国老师的《Python程序设计》教材 第一章、Python概述 1.1 扩展库安装方法（了解即可） 使用pip命令安装扩展库。 在cmd命令行中输入pip，回车后 ......
Liunx笔记
这篇笔记我是在学习Linux过程中的笔记，参考自： B站韩顺平老师的课程Linux 黑马程序员的《Linux系统管理与自动化运维》教材 第一章 文件目录结构 一、基本介绍 Linux 的文件系统是采用级层式的树状目录结构，在此结构中的最上层是根目录“/ ”，然后在此目录下再创建其他的目录。 记住一句 ......
Qt+数据库学习笔记（一）WIN10+Qt5.15.2 MinGW 32-bit+MySQL5.7.44编译MySQL5.7驱动插件
前言： 因项目需要，需要使用Qt连接MySQL数据库。程序编写电脑上使用的是Win10 64位系统，程序运行电脑上使用的是Win7 32位系统。 一、下载及安装MySQL5.7 1、地址：MySQL官网 点击DOWNLOADS 2、点击MySQL Community(GPL) Downloads 3 ......
数据预处理——特征缩放
特征缩放（feature scaling）是在机器学习中常用的数据预处理步骤，是数据预处理步骤中及其容易被忽略的一步。 为什么要特征缩放？考虑一下 kNN 算法，如果我们有两个特征，特征 A 的取值范围在 [1，10]，特征 B 的取值范围在 [1, 100000]。那么在计算欧式距离时，特征 A ......
转载：大模型所需 GPU 内存笔记
转载文章：大模型所需 GPU 内存笔记 引言 在运行大型模型时，不仅需要考虑计算能力，还需要关注所用内存和 GPU 的适配情况。这不仅影响 GPU 推理大型模型的能力，还决定了在训练集群中总可用的 GPU 内存，从而影响能够训练的模型规模。 大模型推理的内存计算只需考虑模型权重即可。 大模型训练的内 ......
2023年10月份阅读笔记一
这篇文章是十月份第一篇阅读笔记，阅读书籍是《构建之法》 第一章 概论 在这一章中，作者为我们介绍了一些关于软件工程的基本知识。 ①软件=程序+软件工程：正是因为对软件开发活动（构建管理、源代码管理、软件设计、软件测试、项目管理）相关的内容的完成，才能完成把整个程序转化成为一个可用的软件的过程。 扩展 ......
简易机器学习笔记（六）不同优化算法器
前言 我们之前不是说了有关梯度下降公式的事嘛，就是那个 这样梯度下降公式涉及两个问题，一是梯度下降的策略，二是涉及到参数的选择，如果我们选择固定步长的时候，就会发现我们求的值一直在最小值左右震荡，很难选择到我们期望的值。 假设上图中，x0为我们期望的极小值，yB = xA - yA'xA的时候，xB ......