![](../../asset/images/user/BgImg_default.jpg)
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
1. 正则表达式的模式——pattern2. 正则表达式常量——修饰符(1)常量理解(2)re.IGNORECASE(3)re.ASCII(4)re.DOTALL3. 正则表达式函数(1)查找一个匹配项——match、search和fullmatch(2)查找多个匹配项——findall、finditer(3)分割——split(4)替换——sub、subn(5)编译正则项——template、c
![文章图片](https://img-blog.csdnimg.cn/721ecce3daeb44658fb57826152975d2.png)
之前有一篇文章介绍了使用Sequential、ModuleList和ModuleDict添加网络,除此之外,我们还可以通过add_module()添加每一层,并且为每一层增加了一个单独的名字。add_module()可以快速地替换特定结构可以不用修改过多的代码。add_module的功能为Module添加一个子module,对应名字为name。使用方式如下...
g2o(General Graphic Optimization)是基于图优化的库。该工具尤其是在图像优化方面被广泛的应用。本文主要围绕g2o进行展开介绍相关的安装、使用、g2o的结构以及曲线拟合的实例。
需要安装两个工具:imu_utils和code_utils。imu_utils工具还需要ceres和eigen互补滤波器的理论基础来自于论文《[Keeping a Good Attitude: A Quaternion-Based Orientation Filter for IMUs and MARGs](https://www.mdpi.com/1424-8220/15/8/19302)》,它
点乘与叉乘是线性代数的基本知识,在工作中也经常能够遇到,下面我们来温习一下它们的概念以及使用C++代码对它们进行实现。
一. 总览二. 贝叶斯网络和因子图三. 机器人运动建模3.1 使用因子图建模3.2 建立因子图3.3 因子图与变量3.4 GTSAM中的非线性优化3.5 全后验推论四. 机器人定位4.1 一元测量因子4.2 自定义因子4.3 使用自定义因子4.4 全后验推论五. PoseSLAM5.1 闭环约束5.2 使用Matlab接口5.3 读取和优化姿态图5.4 3D中的poseSLAM六. 基于Landm
本文是基于pytorch官网教程,然后在此基础上,写了一些自己的理解和修改。CIFAR-10数据集共有60000张彩色图像,这些图像是32*32,分为10个类,每类6000张图。需要说明的是,这10类都是各自独立的,不会出现重叠。题外话,MNIST数据集是只有1个通道的灰度图,尺寸大小为28*28。
![文章图片](https://img-blog.csdnimg.cn/8c0e9083cf02488983a58496e20f92ba.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA6Z2e5pma6Z2e5pma,size_19,color_FFFFFF,t_70,g_se,x_16)
首先推荐matplotlib官网的各种显示代码实例:<https://matplotlib.org/stable/gallery/index.html>其次推荐matplotlib官网教程:<https://matplotlib.org/stable/users/index.html>xlrd官网api:<https://xlrd.readthedocs.io/en/latest/api.html
Dijkstra算法是求单源最短路径问题的算法,使用它可以求得从起点到终点的路径中权重总和最小的那条路径。Dijkstra的主要特点是以起始点为中心向外层层拓展(广度优先搜索思想),直到拓展到终点为止。单源:从一个顶点出发,Dijkstra算法只能求一个顶点到其他点的最短距离而不能任意两点。现在我们假设有下列的一副图,求起始点A到终点G的最短路径。其中边上面的数据表示权重,从起始点A开始,A的顶点
1. 训练与学习率的关系2. 学习率的衰减策略(1)分段常数衰减(2)指数衰减(3)自然指数衰减(4)多项式衰减(5)余弦衰减(6)Lambda学习率3. 周期性学习率(1)循环学习率(2)带热重启的随机梯度下降4. 自适应学习率(1)Adagrad算法(2)RMSprop算法(3)AdaDelta算法
![文章图片](https://img-blog.csdnimg.cn/97cfe5cb64af48df858d57d7c7e9d43e.png)