logo
publist
写文章

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

商汤开源目标检测工具箱mmdetection代码详解(一)------ build和Registry和配置信息,分析mmedetection如何动态构建网络

我们在看mmdetection源码时,首先肯定找主函数main()在哪。主函数在 tool/train.py 里。然后我们遇到第一个疑惑的就会是build_detector(),然后往下看,还会 有一堆类似的,例如 build_dataset(),build_backbone(),build_neck(),build_loss()等等。我们暂时称这些为“build系列”,那我们以build_det

tensorflow中步长stride的参数具体解析

步长stride是一个一维的向量,长度为4。形式是[a,x,y,z],分别代表[batch滑动步长,水平滑动步长,垂直滑动步长,通道滑动步长]在tensorflow中,stride的一般形式是[1,x,y,1]第一个1表示:在batch维度上的滑动步长为1,即不跳过任何一个样本x表示:卷积核的水平滑动步长y表示:卷积核的垂直滑动步长最后一个1表示:在通道维度上的滑动步长为1,即...

WinSCP无法用root用户登陆linux服务器

1.编辑 /etc/ssh/sshd_config文件:  sudo vi /etc/ssh/sshd_config将PermitRootLogin 的值改成 yes将PermitEmptyPassword 的值改成 no保存退出   2.重启ssh:sudo service ssh restart3.即可在WinSCP用root用户登陆

QT ------利用QT designer 浏览目录文件列表(combobox版本)

(一)布局: (二)对tool button右键-->转到槽-->选择clicked()(三)点击OK后,在mainwindow.cpp 中会出现槽函数 on_toolButton_clicked(),代码如下:(四)代码解析:第21行:toNativeSeparators()的作用是:把路径的分隔符转换为当前系统的分隔符(例如windows和linux...

Linux C 两种方法实现复制拷贝文件

第一种方法:例如 linux 下的系统调用#include#include#include#include#include#include#includechar buff[1024];int len;int main(int argc, char const *argv[]){char const *src_path = argv[1];char

#c语言#linux
MYSQL的创建用户,授权用户,删除用户,查看用户

1.查看用户2.创建用户3.授权用户4.删除用户5.设置与更改用户密码6.撤销用户权限1.查看用户查看用户并没有直接的SQL语句,而是进入 mysql数据库的user表(这个mysql库和user表都是一开始就有的),直接用 select * from user;来查看有什么用户由于在linux下比较难看,因为格式比较乱,所以我用了 SQLyog这个软件登陆

#mysql
springboot+kafka整合(环境:IntelliJ IDEA)

(一)kafkaproducer:生产者,负责发布消息到kafka cluster(kafka集群)中。生产者可以是web前端产生的page view,或者是服务器日志,系统CPU、memory等。consumer:消费者,每个consumer属于一个特定的consuer group(可为每个consumer指定group name,若不指定group name则属于默认的group)...

详细解读行人重识别的k-reciprocal Encoding(k个相互近邻编码方法) re-ranking方法及其实现代码解读

建议读者手中有re-ranking的代码,或者看过某个行人充实别的代码。一,re-ranking大致流程:re-ranking是一个图像检索问题,给定一个probe,要从图片集gallery中找出与它相似的图片。如:既然是检索问题,那么ranking前得到的ranking list就很重要,ranking list有没有使用某些算法得到,这有着很大区别,如下图:L是没...

softmax及其求导过程

1.softmaxsoftmax多用于多分类问题,它会把网络的输出变成概率,公式如下:softmax一般会和交叉熵结合在一起,因为交叉熵的输入是概率,而softmax就可以把网络的输出变成对应等比例的概率。2.softmax求导过程:假设求导时,有如下x:s 为网络输出,第一个输出节点为,第二个为,以此类推第 i 个输出节点为...

Batch Normalization (BN层)-----批归一化

1.数据分布在讲BN层之前,我们得先了解何为数据分布,数据分布跟网络训练又有什么关系。(1)抛砖引玉我曾经在做一个分类网络时,遇到一个问题,就是训练的时候,精度一直是0,百思不得其解。后来看了下数据的输入顺序,原来是这样的,数据共500张,顺序是100张苹果,然后100张香蕉,然后100张橘子,然后100张梨,然后100张桃子。我们的batch size是5。这时候会出现什么问题呢,就是每个bat

    共 32 条
  • 1
  • 2
  • 3
  • 4
  • 请选择