LZ在扒有些源代码的时候，会遇到如下的一个问题，就是源代码的作者是在windows下运行的，但是LZ的编译环境是ubuntu，所以在使用windows下编译通过的代码的时候，仍然会碰到各种各样的问题。高博说过如果你Linux足够牛的时候，在考虑在Windows下进行一些开发编译，所以LZ还是乖乖的选择了Linux。具体报错如下所示：error: no matching function fo

LZ原来一直都是用的笔记本的摄像头，结果标定的时候快趴地上了，可能是实在看不过去了，师兄给了一个摄像头，这样相当于有两个摄像头，但是怎么打开指定的摄像头呢？第一个，安装一个软件sudo apt-get install cheese安装好了？哈哈，然后直接运行在终端中输入cheese就直接打开笔记本自带的摄像头，但是如果LZ要打开另外一个摄像头，怎么指定对应的摄像头呢？在终端中输入lsusb查看是

WARNING:tensorflow:From /usr/Downloads/keda/Documents/fanrongrong/docker/gaze_coorection_train_0426/train/ghost_module.py:61: The name tf.Session is deprecated. Please use tf.compat.v1.Session in...

服务器上被新来的小伙伴不知道弄了啥，docker没法用了，具体报错如下：docker ps -aCannot connect to the Docker daemon at unix:///var/run/docker.sock. Is the docker daemon running?找了找解决方法，其实就是关闭docker，再重新启动，具体如下：service docker stopsyst

这是LZ第二次出现这个问题，因为之前碰到过，或者使用IDE会报类似的错误，就是一个空格的问题。//定义vector或者其他的容器注意下面两行代码的区别std::vector<std::vector<float>> //wrong!std::vector<std::vector<float> > //right!Done!O(∩_∩)O哈哈~

这个问题常见且不小心就会遇到,记录下O(∩_∩)O哈！frr@frr:~/Documents/code/pointnet/models$ python pointnet_SE.py('input_image', &amp;lt;tf.Tensor 'ExpandDims:0' shape=(32, 1024, 3, 1) dtype=float32&amp;gt;)Traceback (most

1.策略网络简介所谓的策略网络，即建立一个神经网络模型，它可以通过观察环境状态，直接预测出目前最应该执行的策略（policy），执行这个策略可以获得最大的期望收益（包括现在的和未来的reward）。和之前的任务不同，在强化学习中可能没有绝对正确的学习目标，样本的feature和label也不在一一对应。我们的学习目标是期望价值，即当前获得的reward和未来潜在的可获取的reward。所以在策略网

1.自编码器的简介自编码器（AutoEncoder）是一种典型的无监督学习，即不需要对样本进行手工标注，就可对数据进行一定程度的学习。这是对人工成本的极大节约（亲身体会，标注数据真的还蛮痛苦的，比较枯燥啦）。第二个特点是对特征进行逐层抽象，在最开始的几层，可能就是比较简单的角点，边缘之类的信息，后面会逐渐出现稍微复杂的比如说长方形等，到最后是高度抽象的图形，一般肉眼是很难直接判断出到底是

1.ResNet简介ResNet(Residual Neural Network)是由微软研究院的Kaiming He等4名华人提出的，一般我们把ResNet称作是残差网。在ILSVRC 2015的比赛中，Kaiming He等人通过使用Residual Units（残差单元）训练了152层神经网络（名副其实的深度学习了！）赢得了冠军。在比赛中的top-5的错误率为3.57%，同时参数量比VGGN

之前已经介绍过了AlexNet的网络构建了，这次主要不是为了训练数据，而是为了对每个batch的前馈（Forward）和反馈（backward）的平均耗时进行计算。在设计网络的过程中，分类的结果很重要，但是运算速率也相当重要。尤其是在跟踪（Tracking）的任务中，如果使用的网络太深，那么也会导致实时性不好。from datetime import datetimeimport mathi