目前处理非欧数据最常见的方法还是构建图，而networkx一个专门的构建图数据的工具。方便又好用。先给链接：https://networkx.github.io/官方文档：https://networkx.github.io/documentation/latest/networkx的安装方法上面的官方文档已经很详细记录，阿盏就不赘述了。官方文档里给了几个demo，虽然便利，但泛化性不强。我这边给

采用射线法就可以判断一个点是否在多边形内， 只需从点出发向右侧水平做出一条射线，如果跟多边形交点个数为奇数，则点在多边形内，否则在多边形外。看一张图就可以看懂啦图片来自：https://www.jianshu.com/p/ba03c600a557输入：P点坐标[px, py]多边形poly顶点坐标[[x1, y1], [x2, y2], ..., [xn, yn]]返回：True or False

在transformer席卷CV领域之后，掀起了一股新型神经网络模型的涌现热潮。短短一两年时间，研究者们从不同结构领域冲击着SOTA，有ViT的，有CNN的，甚至还有纯MLP的。其中，不乏有一些启发性和奠基性的模型出现，隐约感觉到这两年是基础模型的爆发年。ViT引领了继2012年AlexNet和2015年ResNet之后的第三个基础模型爆发潮。于是，木盏以此博文做一个不是很完全的综述，整理给大家浏

今天做了一个关于keras保存模型的实验，希望有助于大家了解keras保存模型的区别。我们知道keras的模型一般保存为后缀名为h5的文件，比如final_model.h5。同样是h5文件用save()和save_weight()保存效果是不一样的。我们用宇宙最通用的数据集MNIST来做这个实验，首先设计一个两层全连接网络：inputs = Input(shape=(784, ))...

CLIP带给我的震撼是超过transformer的，这是OpenAI的重要贡献之一。就如官网所描述的：用对比学习（Contrastive Learning）来对齐约束图像模型和文本模型。用文本嵌入指导图像学习，图像嵌入指导文本学习。这样一来，图像分类进入了CLIP时代，不需像传统深度学习图像分类一样，先定义出类别范围，然后准备各类别的数据（比如MNIST的十分类，ImageNet的千分类）。我们有

Instant-NGP的出现，无疑给神经表达领域带来了新的生命力。可认为是NeRF诞生以来的关键里程碑了。首次让我们看到了秒级的重建、毫秒级的渲染的NeRF工作。作为如此顶到爆的工作，Instant-NGP毫无疑问斩获SIGGRAPH 2022的最佳论文。虽然只是五篇最佳论文之一，但就目前的引用量看来，飙升到1000+引用量的Instant-NGP更像是the best of the best。夸

前言GNN/GCN在非欧数据中的应用具有极大的挖掘价值。通常，GNN的应用分为两种：1，节点分类；2，图分类。节点分类可以用在点云分割，社交网络节点分类，推荐算法等等。图分类可以用在姿态估计，蛋白质分类等等，当然，也可以用在图像分类。对于节点分类而言，图结构在forward阶段是不会改变的，改变的只是节点的隐藏层属性。如下：对于图分类而言，图结构在前传的时候会downsize，最后聚合成一个点的f

和JAVA语言一样，Python也用try关键字来处理异常。为什么处理异常非常重要呢？主要原因：很多操作只要‘尝试’了才知道会不会成功。比如，用python打开一个txt文件，并把txt文件中的字符串转换成整型数。try的搭配通常有“try... except...”，也可以有"try...finally"等。我们先看"try...except...",实验准备：1. 一个txt文...

球面谐波（SH）因为其良好的性质活跃在NeRF、Plenoxels、3DGS等显隐式场景表示的方法中。问：球面谐波是什么？答：一组基函数。可以理解为傅里叶分解的一种特殊形式，即“任何函数都可以用这组基的算术组合来近似”。

作为一个2年多的不资深keraser和tfer，被boss要求全员换成pytorch。不得不说，pytorch还是真香的。之前用keras，总会发现多GPU使用的情况下不太好，对计算资源的利用率不太高。把模型改成pytorch以后，发现资源利用率非常可观。非常看好pytorch的前途，到时候能制衡一下tf就好了。闲话不多扯，我来讲讲初入pytorch最重要的东西：dataset网上有很多介...