⭐️齐下无贰⭐️

误入科研海 误入科研海 序 关于调研 一些经验 学会拆字 读论文 找论文 点云 分析工具 CloudCompare PCD-Decode 某次组会分享 组成成分-数据转换分析 VirtualLiDAR-转换和组成 时间同步-配准问题 虚拟问题及双端任务流 标注问题 其它问题 欧阳老师给的提议 auto-mos 借物表 序 偶然的机会进了某大学的 Lab (简历里写了), 很感谢某位大佬 🥰 就这样, 下面记一些个人经验… 关于调研 师姐开会时经常提到, 要站在第三人称视角读 paper, 不要被代入读者身份或者完全顺着作者思路思考 now.clear, 意思大概就是: how > what how they think, not what… how they do, not what… how they show, not what… 在做调研时着重看下: paper 提出的问题 如何着手解决和实现 (精髓就是 1. -> 2. 中间的思路, 应该叫问题建模) 对于优秀和有借鉴价值的实现, 可以看一 ...

序 此发生器基于空间数组, 随机种子来自于 time 时间戳末尾位 随着 random 次数增加, array 不确定度持续叠加, 每位概率会有一定波动但不会出现偏倚或黑洞 熵来自于每次 update 的位置和次序, 淡化了某时刻 timestamp 和算力的影响 思想类似卷积, 把过去与当前状态持续叠加到对未来的影响中 现有缺陷 无法保证 恒定的概率 或者说 等概率随机, 但可以近似做到 自然随机 array 需要预热, 预热效果也会影响一定范围内的随机数质量 小批量随机效果贼差 代码 from datetime import datetimearray = [i for i in range(10)]def random(): time_str = str(datetime.now().timestamp()) if len(time_str) == 16: index = 0 else: index = int(time_str[-1]) # core: 每次 random, 使 index 位加上下一位的数字 arra ...

slidev slidev 安装-使用 报错 初始化 依赖问题 展示 借物表 安装-使用 npm install --save @slidev/cli# 这里个人不建议全局安装, 有时会遇到依赖问题# npm install -g @slidev/cli 可以用 scripts 来运行, 比较便捷 (没全局安装@slidev/cli 的话, slidev 无法在终端调用) "scripts": { "slides": "slidev slides.md --remote --open",}, 报错 初始化 D:\Scoop\persist\nvm\nodejs\v18.4.0\node_modules\@slidev\cli\dist\chunk-IP7ZGKHI.js:121 throw new Error(`Failed to resolve package "${importName}"`); ^Error: F ...

猫猫头-日常 猫猫头-日常 经验 猫的心情和行为 眼镜 尾巴 耳朵 如何混熟 被啃 猫粮 病 猫癣 腹水 照片 三只 socker 借物表 经验 猫的心情和行为 眼镜 如果发现它在哪趴着, 对视时它用力慢眨眼, 那是在表示好感 一般哺乳动物不会死死盯着对面眼睛 (是表示敌意), 眼神先闪躲的一方是示弱表示地位低下, 猫狗同样很适用 尾巴 上图 猫的脑子和身体是有一定分离度的, 会有同时存在巴适+不耐烦的可能性 耳朵 耳朵偏转角越靠正前方, 它心情越不错 靠后是害怕/恐吓, 扭在中间是不耐烦/难受状态, 饿了? 这个看不出来, 但饿了它会喵喵叫 如何混熟 来到陌生环境的时候猫猫头们还是相当怕的, 与大多数人行为相反, 想让它们放下警惕, 需要让它们在屋子里转一段时间(最好别关在笼子,不要频繁进来) [1] 确保屋子内有能让它们藏起来的地方(缓解精神压力), 在此期间别接近它们, 放上食物可以在远处静静看着 最快也得两三天后, 在猫视野内慢慢的接近撸它 (别突击或者动作过快,会被吓跑) 之后需要学会看尾巴来看它们心情 [2] 被啃 除了那只黑 ...

序 Colab 平台对于 轻量级/边缘计算 比较方便, 尤其是对这种教程性质的 notebook, 分享和运行都开箱即用 但另一方面: 因: 免费版的 Colab 所给的硬件资源不是很稳定, 用太久的话会分不到 GPU, 虽然给的 GPU 肯定是比自己的开发机强很多, 但是跑大型项目肯定带不动 (而且 Colab 单次运行最多持续 6h, 一段时间没动作的话会断连, 断开后再过一阵 runtime 会被重置) 果: 可以用它来学习下怎么搭环境以及一些小测试 毕竟生产服务器申请不易 / 环境也不能乱动 受系统和网络限制, 在开发机搭环境并不理想 装环境 从安装到放弃到爬出坑 :( 跟着这几篇装的环境:[2][3], 有借鉴意义但是指导不明确 个人先跟着官方出的视频教程和 openbayes 上的 notebook 试了试水, 很深 [1]; 最后找到一个源库 tutorial-fork 的 colab-notebook [4] 预先装上 cuda, cudnn (colab自带) 依赖链: cuda <- pytorch <- mmcv-full ...

basic static-method python 中并没有像是 Java 里的 static 关键字,取代的是 @classmethod 和 @staticmethod class A: name = 'A' # 至少有一个隐式形参 (本类 cls 对象), 可以访问类属性 @classmethod def a(cls): print(cls.name) # 无形参, 也就是说拿不到类属性 @staticmethod def b(): print('b')A.a()A.b() A b multi-condition if(a||b)当 a 为真时，还会对 b 求值吗? 不会 import timedef calculate(name, t): print("calculating: ", name, "seconds needs: ", t) time.sleep(t) return Trueif (calc ...

序 此文为其他文章的代码部分: ⚡再啃-Deep-Learning 也提供了 notebook 形式: 代码地址 神经网络 感知器 def AND(x1, x2): w1, w2, theta = 0.5, 0.5, 0.7 tmp = x1 * w1 + x2 * w2 if tmp <= theta: return 0 else: return 1def OR(x1, x2): w1, w2, theta = 0.5, 0.5, 0.2 tmp = x1 * w1 + x2 * w2 if tmp <= theta: return 0 else: return 1# 非门只取一个输入,另一个不管def NOT(x1, x2): w1, w2, theta = -1, 0, 0 tmp = x1 * w1 + x2 * w2 + 1 return tmp# 异或门是非线性运算, 需要多层感知器组合def XOR(x1, x2): # 异或 ...

再啃-Deep-Learning 深度学习 一个好的表示学习策略必须具备一定的深度 特征 像是宰鱼要分多步,每步使用不同方式/工具 通常从底层特征开始经过多步非线性转换才能得到好的高层语义表示 特点 增加特征重用性,指数级增加表示能力 表示学习与深度学习关系 关键问题: 贡献度分配 不同组件/参数对系统输出结果的影响权重 神经网路 人工神经网络 由大量神经元及它们之间的有向连接构成 三方面 神经元/感知器 网络的拓扑结构 LeNet AlexNet VGGNet ResNet 学习算法 分类 单类网络 前馈网络 记忆网络 图网络 复合型网络 贡献度分配问题 不同 component 或 param 对最终系统输出结果的贡献 利用偏导数求解贡献度 发展史 模型提出 冰河期 反向传播算法引起的复兴 流行度降低 深度学习崛起 MMDetection 图像分类 模型发展 LeNet-5 (1998) AlexNet (2012) VGGNet (2014) GoogleNet (2014) ResNet (20 ...

机器学习 何为机器学习 学习方式 深度学习 监督 监督学习 无监督学习 强化学习 一般流程 1.原始数据 2.数据预处理 问题 完整性 噪声 是否匹配 重复 连续/离散 样本分布是否平衡 方法 标准化/均值移除 范围缩放 归一化 二值化 独热编码 标签编码 3.特征处理 特征提取 原始特征的线性组合获取新特征 特征转换 升维 降维 4.训练模型 5.预测 6.参数调整 7.模型评估与优化 评估方法 优化方法 基本问题 回归问题 分类问题 聚类问题 降维问题 强化问题 三要素 模型 线性方法 非线性方法/广义线性方法 超参的学习-更新 损失函数 期望风险 期望风险未知,通过经验风险近似 机器学习问题 -> 经验风险最小化问题 过-欠拟合及处理 参数学习 经验风险最小化(最小二乘法) 结构风险最小化(岭回归) 最大似然估计 最大后验估计 优化算法 代码 本篇所用到的代码在这: 👀Code-4-Machine-Learning 何为机器学习 随机取市场上一些芒果样本 ...

序 此文为其他文章的代码部分: 🥵硬啃-Machine-Learning 也提供了 notebook 形式: 代码地址 数据预处理方法 标准化-均值移除 # 数据预处理之：均值移除示例import numpy as npimport sklearn.preprocessing as sp# 样本数据raw_samples = np.array([ [3.0, -1.0, 2.0],\ [0.0, 4.0, 3.0], \ [1.0, -4.0, 2.0]]\)# 求每列的平均值 axis=0为列, =1为行 不填就计算所有值print(raw_samples.mean(axis=0))# 求每列标准差print(raw_samples.std(axis=0))std_samples = raw_samples.copy() # 复制样本数据for col in std_samples.T: # .T为转置,遍历每列 col_mean = col.mean() # 计算平均数 col_std = col.std() # 求标准差 co ...

凉经-面试题 凉经-面试题 列表 具体细节点 collection-map 悲观锁-乐观锁 上锁业务与读写性能分析 行锁与表锁 排序算法 推荐文章 快排 时间复杂度及对应情况 稳定性及其意义 借物表 列表 MetaAPP 部分笔试题 什么是“堆”,“栈”,“堆栈”,“队列”,它们的区别 到底产生几个 String 对象 浅谈 Java 中的 equals 和== 字节终面：两个文件的公共 url 怎么找？ / 小米面试：孔融找梨 通过 hash 降低时间复杂度, 以及通过 hash 分治降低空间复杂度 详解 TCP 三次握手、四次挥手，附带精美图解和超高频面试题 图文详解两种算法：深度优先遍历（DFS）和广度优先遍历（BFS） 异或的用途 具体细节点 collection-map 取自菜鸟教程并 AI 放大 [1] 悲观锁-乐观锁 对数据库中同一数据进行多个操作 (如 update),需要加锁来保证数据/操作正确 [4] 这里拿 Git 举例子: 有一个 Git 仓库, A,B,C 三个开发者负责不同开 ...

文章封面图 (恐怖慎看) 此篇为本博客中 AI 领域的根, 也可以当做目录 (因为篇幅太长,就给分开了) 文中大量使用 LaTeX 公式, 如何写的可以看 🍹LaTeX~环形使者(?) 强推大佬朋友的文章: 【人工智能】面试问题整理 嗟叹 炼丹界门派好多啊, 一派一传承 师出少林, 修行武当, 行至小河, 探头一照 欸, 爷竟是峨眉的 🐵 体系概览 人工智能是什么? [1][2] 下面包含细分文章的索引 (可点击跳转) AI 研究领域 机器学习 深度学习 CV 计算机视觉 图像识别 机器视觉 语音信息处理 文本->语音 语音->文本 自然语言处理 NLP 文本生成 文本分类 翻译 … ROS 机器人系统 专家系统 框架和库 Tenserflow Pytorch sklearn 飞桨 … 表示学习 表示 为了提高机器学习系统的准确率,就需要将输入信息转换为有效的特征 数据表示是机器学习的核心问题 底层特征与高层语义之间存在语义鸿沟,如何在鸿沟上搭桥是表示学习的关键 表 ...