摘要:水库、湖泊等水域在降雨和人类活动的作用下经常会聚集大量漂浮垃圾,严重影响水利枢纽正常运行,以及水域和周边的生态环境健康。如何适应各种水域特征,及时而高效安全的清除漂浮垃圾仍然是亟需解决的问题。针对此问题,本作品设计了一种子母船,在大型水域由母船直接清理漂浮垃圾,而在母船无法完成清理工作的较浅水域,母船将派遣子船进行清理。同时,本作品采用自流式船体结构和太阳能电池板,利用了无污染的水能和太
决策树调参 记录一下决策树调参,在所有模型进行调参前,都应该熟悉算法的思路流程,这样才能进行更好的调参。决策树分为回归树和分类树,回归树与分类树在Python的sklearn中分别对应着两个不同的函数,其中回归树为:DecisionTreeRegressor 分类树为:DecisionTreeClassifier。虽然说函数名字不同,但是这两个函数的参数其实大差不大。 参数名
基于远程服务器安装配置Anaconda环境及创建python虚拟环境详细方案一、打开连接好自己的远程服务器(博主用的是MobaXterm软件,比较方便)。 二、查看选取Anaconda版本,点击下面链接打开清华大学开源软件镜像站看看自己需要的Anaconda版本,博主选取的是Anaconda3-5.3.1-Linux-x86_64.sh版本(注意:安装Anaconda前可以不安装Python
Adaboost调参 Sklearn中的Adaboost接口是在sklearn.ensemble中,ensemble是集成的意思,在这个包中含有很多集成模型,Adaboost就是封装在ensemble中,我们需要做的就是知道如何对模型进行调参,要知道Adaboost使用的基学习器就是决策树,如果解决分类问题那就是分类树,如果解决回归问题就是回归树,对应的函数就是AdaBoostClassif
基于Windows下Anaconda创建python虚拟环境教程Anaconda是目前最流行的数据科学平台以及现代机器学习的基础。同时Anaconda 也是一个Python的发行版,专注于人工智能,天然适合科学计算,数据分析和机器学习,其包管理器是Conda 。Conda 是一个开源的包管理系统和环境管理系统,可在 Windows、macOS 和 Linux 上运行。 Conda 可快速安装、运行
下载代码进入链接下载解压代码仓库。 解压出来应该是下面这样的: 配置环境anaconda的安装步骤见另一篇文章:【分享】Windows10下安装深度学习常用软件教程分享 CUDA和cudnn的安装步骤见另一篇文章:【分享】Windows10下安装Nvidia显卡驱动及cuda和cudnn 这里我使用的版本是:CUDA11.1、cudnn8.2.0 使用anaconda创建虚拟环境
正常安装流程 1、安装anaconda 必备条件 2、安装jupyter notebook 一般anaconda自带安装 如没有,则在终端安装 conda install jupyter notebook 3、安装nb-conda 接下来安装nb_conda conda install nb_conda 4、创建虚拟环境 conda create -
1. 贝叶斯定理1763年12月23日,Thomas Bayes的遗产受赠者R. Price牧师 在英国皇家学会宣读了贝叶斯的遗作《An essay towards solving a problem in the doctrine of chances》(《论机会学说中一个问题的求解》),其中给出了贝叶斯定理。在这篇文章之前,人们已经能够计算“正向概率”,如12个白球和3个黑球在1个箱子中,随机
1 频率频率参考——百度百科 1.1 频率定义频率:是单位时间内完成周期性变化的次数,是描述周期运动频繁程度的量。为了纪念德国物理学家赫兹的贡献,人们把频率的单位命名为赫兹,简称“赫”,符号为Hz 1.2 频率的计算公式•物质在1s内完成周期性变化的次数叫做频率,常用f表示•换句话说:周期的倒数叫做频率f = 1/T•f:是频率•T:是完成完成一次周期性变化的时间例如:你眨一次眼睛的时间为0.
前言:本篇博客为《基于树莓派4B的YOLOv5-Lite目标检测的移植与部署》的后续博客,主旨为帮助大家实现 ONNX 模型到 NCNN 模型的转换,并且在树莓派4B进行成功部署!正常情况下,NCNN 模型是优于 ONNX 模型的,但是作者实际测试下来发现貌似 ONNX 模型的FPS和精度感觉都略优秀于 NCNN 模型,读者朋友可以根据自己时间情况去选择模型的使用! 实验效果图: YOLO
图像分割技术及经典实例分割网络Mask R-CNN(含Python源码定义) 图像分割技术及经典实例分割网络Mask R-CNN(含Python源码定义) 文章目录 图像分割技术及经典实例分割网络Mask R-CNN(含Python源码定义) 1. 图像分割技术概述 2. FCN与语义分割 2.1 FCN简介 2.2 反卷积 2.2 FCN与语义
4. 支持向量回归4.1 问题定义支持向量回归(SVR,Support Vector Regression)假设能够容忍f(x)与y之间最多ϵ的偏差,即仅当f(x)与y之间的差别绝对值大于ϵ时才计算损失。这相当于以为中心,构建了一个宽带2ϵ的间隔带,若训练样本落入此间隔带,则被认为预测正确。SVR优化目标如下:4.2 对偶问题其中,优化目标代回至此时,优化函数仅有α∧,α∨做为参数,可采用SMO(
CV学习笔记-Faster-RCNN 文章目录Faster R-CNN 目标检测算法1.1 计算机视觉有五大应用1.2 目标检测任务1.3 目标检测算法概述 边框回归(Bounding-Box regression)2.1 IoU2.2 统计学中的指标2.3 边框回归 Faster-RCNN网络3.1 Conv layers3.2 Region Proposal Network(RPN
BP神经网络训练实例1. BP神经网络关于BP神经网络在我的上一篇博客《CV学习笔记-推理和训练》中已有介绍,在此不做赘述。本篇中涉及的一些关于BP神经网络的概念与基础知识均在《CV学习笔记-推理和训练》中,本篇仅推演实例的过程。 BP的算法基本思想: ①将训练集数据输入到神经网络的输入层,经过隐藏层,最后达到输出层并输出结果,这就是前向传播过程。②由于神经网络的输出结果与实际结果有误差,则计
2 软间隔与正则化2.1 软间隔硬间隔(hard margin)要求所有样本均满足约束:软间隔(soft margin)允许某些样本不满足约束,即允许支持向量机在一些样本上出错。在最大化间隔同时,不满足约束的样本应尽可能少,优化目标如下:其中C>0是一个常数,为惩罚参数。当C为无穷大时,会迫使所有样本满足约束。采用hinger loss,则引入松弛变量(slack variables)这仍是
以下链接是个人关于DG-Net(行人重识别ReID)所有见解,如有错误欢迎大家指出,我会第一时间纠正。有兴趣的朋友可以加微信:17575010159 相互讨论技术。若是帮助到了你什么,一定要记得点赞!因为这是对我最大的鼓励。 文末附带公众号− 海量资源。 行人重识别0-00: DG-Net(RelD)-目录-史上最新最全: https://blog.csdn.net/weixin 4301376
文章目录 一、OpenPCDet 简介 1.1 简介 1.2 数据-模型分离的顶层代码框架 1.3 统一的3D目标检测坐标定义 1.4 模块化模型拓扑设计 二、 代码解析 2.1 框架介绍 2.2 数据处理流程 2.3 模型拓扑的依赖关系 2.4 模型的前向传播和最优 2.5 模型 2.5.1 detector 2.5.2 3D b
MobileNet 文章目录 MobileNet 1. MobileNet概述 2. 深度可分离卷积(depthwise separable convolution) 2.1 深度可分离卷积通俗理解 2.2 深度可分离卷积对于参数的优化 3. MobileNet网络结构 4. 代码实现 4.1 卷积块 4.2 深度可分离卷积块 4.3 Mobi
3. 非线性SVM3.1 问题定义现实任务中,训练样本经常不是线性可分的,即原始样本空间中并不存在一个能正确划分两类样本的超平面。对于这样的问题,基于Mercer核展开定理,通过内积函数定义的非线性变换,将样本从原始空间映射到一个高维特征空间(Hibbert空间),使得样本在这个高维特征空间内线性可分(升维线性化)。令ϕ(x)表示将x映射后的特征向量,在特征空间中划分超平面对应的模型可表示为3.2
文章目录 版本说明 版本信息汇总 版本制约关系 CUDA驱动及CUDA Toolkit最高对应版本 cuda 和cudnn 的版本匹配 CUDA Toolkit和PyTorch对应版本 tensorflow-gpu 与cudnn、cuda、python的匹配 一. 服务器购买和配置 二、安装显卡驱动 2.1 自动安装方式 2.2 手动安装方
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信