本博客是使用opengl 和 openmesh 读取obj文件，显示3d模型，并可以进行旋转、平移、缩放，并加入了环境光一、操作鼠标控制物体旋转移动，滚轮缩放,上下左右键可以控制模型的移动F1,F2,F3,F4,F5,F6,F7,F8可以更换显示文件Insert键 更换显示模式 (wire,flat,flatlines)二、实验演示按F1 读入 一个 cow的 ...

背景减除(Background Subtraction)是许多基于计算机视觉的任务中的主要预处理步骤。如果我们有完整的静止的背景帧，那么我们可以通过帧差法来计算像素差从而获取到前景对象。但是在大多数情况下，我们可能没有这样的图像，所以我们需要从我们拥有的任何图像中提取背景。当运动物体有阴影时，由于阴影也在移动，情况会变的变得更加复杂。为此引入了背景减除算法，通过这一方法我们能够从视频中分离出运..

图像处理：JPG、PNG及BMP的区别？1.JPG：全名应该是JPEG，JPEG 图片以 24 位颜色存储单个光栅图像（RGB），支持最高级别的压缩，不过，这种压缩是有损耗的。可以提高或降低 JPEG文件压缩的级别。但是，文件大小是以图像质量为代价的。压缩比率可以高达 100:1。使用的一种失真压缩标准方法，24 bit真彩色，不支持动画、不支持透明色。JPEG的压缩方式通常是破坏性资...

本篇博客，我们将介绍联合熵、条件熵、互信息、相对熵、交叉熵，如果对熵的概念还有不清楚的朋友，可以看一下这一篇博客，信息熵是什么呢？https://blog.csdn.net/ding_programmer/article/details/89785319联合熵两个离散随机变量 和 的联合概率分布函数为 ，则联合熵 (Joint Entropy) 为：联合熵实际上就是描...

可以看到，由于我们在 fc2 层使用了 torch.no_grad()，因此 fc2 层的参数的梯度为 None，而 fc1 层的参数的梯度正常计算。当我们将需要固定的参数的 requires_grad 属性设置为 False 时，这些参数在计算梯度时就不会被更新，因此不需要使用 torch.no_grad()。然而，当我们在使用不需要更新的参数进行前向传递时，如果不使用 torch.no_gra

在 PyTorch 中，nn.Linear 的默认 requires_grad 属性是 True，即默认情况下会对线性层的权重和偏置进行梯度计算。nn.Conv2d 的默认 requires_grad 属性是 True，即默认情况下会对卷积层的权重和偏置进行梯度计算。在上述代码中，我们将 conv1 的权重和偏置的 requires_grad 属性设置为 False，这样在 backward()

a=torch.tensor([1,2,3])c=torch.tensor([[1,2,3],[4,5,6]])print(torch.mul(a,c))print(torch.matmul(c,a))tensor([[ 1,4,9],[ 4, 10, 18]])tensor([14, 32])向量点乘：又叫做点积、内积、数量积、标量积，向量a[a1,a2,...,an]和向量b[b1,b2b..

BLEU算法介绍和如何计算：我们先举一个例子来说明：原文：猫站在地上机器译文 (candidate)：the the the the人工译文 (reference)：The cat is standing on the ground在计算1-gram(一元文法)的时候，the都出现在译文中，因此匹配度为4/4 ，但是很明显 the 在人工译文中最多出现的次数只有...

可以看到，x 的梯度为 None，而 y 的梯度为 2，这是因为 x 没有设置 requires_grad，因此 PyTorch 不会为它计算梯度，而 y 的梯度为 2，表示其计算出的梯度值为 2。需要注意的是，如果一个 tensor 设置了 requires_grad=True，那么其依赖的所有 tensor 也会自动设置为 requires_grad=True。这种情况下，PyTorch 不会

分组卷积Group convolution是将输入层的不同特征图进行分组，然后采用不同的卷积核再对各个组进行卷积，这样会降低卷积的计算量。因为一般的卷积都是在所有的输入特征图上做卷积，可以说是全通道卷积，这是一种通道密集连接方式（channel dense connection），而group convolution相比则是一种通道稀疏连接方式具体过程可见我的另一个博客https://blo...