内涵专题
一直听说“不忘初心”，今天才知道真正内涵！
古语有云：“不忘初心，方得始终。” 什么是初心？ 1912年春天，哈佛大学教授桑塔亚纳正站在课堂上给学生们上课，突然，一只知更鸟飞落在教室的窗台上，欢叫不停。桑塔亚纳被这只小鸟所吸引，静静地端详着它。过了许久，他才转过身来，轻轻地对学生们说：“对不起，同学们，我与春天有个约会，现在得去践约了。”说完，便走出了教室。 那一年，49岁的
内涵：CVPR2019之GCNet解读
non-local论文地址 non-local代码地址 gcnet论文地址 gcnet代码地址 senet论文地址 senet代码地址 这篇文章是发表于CVPR2019上的一篇文章，文章花了相当多的文笔放在另外两篇文章Non-local（CVPR2018）和Senet(CVPR2018)之上。而且感情基调较为明显，较为质疑 Non-local的做法，中性略带赞赏性的评价Senet
内涵：Python各种安装包问题汇总
Python各种包问题汇总，更新ing 1、PIL与PILLOW1.1 PIL与PILLOW1.2 conda 安装pillow失败与解决方案1.2.1失败现象1.2.2解决方案 1.3反思与挖掘1.3.1 pip 与conda1.3.2 conda中的channel（源）1.3.3Lib\site-packages与Anaconda3\pkgs 2.python 离线包的安装3.pyth
内涵：caffe踩过的一些坑
1、caffe.io.load_image()与cv2.imread()的区别与联系 from __future__ import divisiona=caffe.io.load_image("1.jpg")b=cv2.imread("1.jpg") 则a=b/255 2、 transformed_image = self.transformer.preprocess(
内涵：.avi文件转为.mp4
在学习中需要实现如下需求： 前端网页上传一段视频文件至服务器，服务器后端将视频转换为一帧一帧做图像处理，然后通过VideoWriter将图片转换为视频，最后希望再将视频在前端网页上显示出来。 但有一个问题就是，html5的video标签可以显示的3种视频文件中，只包含了mp4。而通过VideoWriter将图片转换为视频的格式只能为.avi。感觉挺坑的。无奈只能通过将.a
内涵：pyTorch学习之加载自己的数据集
pyTorch根据filelist加载自己的数据集合,无论图片是否在一个文件夹还是一个类的图片在一个文件夹。 第一步：继承实现Dataset类别 def default_loader(path):return Image.open(path).convert('RGB')class MyDataset(Dataset):def __init__(self, txt, transform=
内涵：single shot multibox shot 在自己的数据上训练自己的模型
推荐两篇非常非常非常好的两篇文章： 1、如何把自己的数据制作为VOC格式的xml标签 http://www.itkeyword.com/doc/4119351835022951846/rcnn-pascal-voc 2、如何用VOC格式的数据训练SSD模型 http://blog.csdn.net/10km/article/details/70168526 可能会踩到的坑：OpenCV Erro
内涵：ubuntu16.0.4 显卡驱动崩掉，如何重装
昨晚走的时候，没关电脑。上午来到实验室，发现电闸被维修空调的工人师傅，拉下来了，也就是说电脑等同于被强制关机过。重新启动电脑，发现电脑的分辨率明显不对，图标“虚胖”。由于前几天刚装得显卡驱动，所以一开始没想到是显卡驱动的问题，进入Setting/Display想调节分辨率，但分辨率只有一种1024×768且不可调节。之前在公司实习的时候，同事也有遇到这种问题，是通过重装驱动修复的。
内涵：类内初始化与初始化列表与构造函数内部赋值
好的。首先把构造函数内部赋值这种观念和习惯剔除掉。 因为：1.效率低，它的本质是赋值，不是初始化，c++内部机制事实上已经为成员变量默认初始化了，然后你又在构造函数里面赋了一次值。 2.易错，对于const成员变量，初始化之后就不可以赋值了。 下面比较类内初始化和初始化列表。 相同点：1.从名字就可以看出，两者都是初始化。 不同点：1.如果对于同一个变量，两
内涵：caffe之学习曲线可视化
一、log文件的获取 默认，我们在终端上输入模型训练指令，训练的log信息会输出在标准输出也即屏幕上，我们要想查看某一步的信息需要滚动滑动条来查看，在终端中查看。可通过下面的方式来将log信息以文件的形式保存到指定位置。 自己写一个脚本文件，把训练的各种参数都加在里面。 #!/usr/bin/env shset -eTOOLS=./build/tools$TOOLS/caffe tr
内涵：算法学习之gumbel softmax
1. gumbel_softmax有什么用呢? 假设如下场景: 模型训练过程中, 网络的输出为p = [0.1, 0.7, 0.2], 三个数值分别为"向左", “向上”, "向右"的概率。 我们的决策可能是y = argmax§, 也即选择"向上"这条决策。 但是，这样做会有两个问题: argmax()函数是不可导的。这样网络就无法通过反向传播进行学习。argmax()的选择不具有随机性。同
内涵：Linux常见问题记录
1. 无法scp 在一台新的电脑上可能会出现scp指令失效的现象。其原因是因为ssh相关的组件未安装。 如果主机A向主机B进行scp操作。则主机A上需要安装openssh-client， 该组件ubuntu默认是安装了的。 如果没有也可以通过以下指令来安装。 sudo apt-get install openssh-client 主机B上需要提前安装openssh-server。入
内涵：高性能网络之shufflenet v2
1.概述 这篇文章是高性能神经网络的经典论文之一shufflenet-v2, 发表于18年7月份，由旷视的马宁宁，孙坚等人提出。21年的RepVgg论文中的一些理论基础很多也是来自于这篇文章。这篇文章层层递进的可以总结为如下这样几个问题： 高性能网络在做什么？之前高性能网络设计是怎么做的？这样设计的依据目标函数是否存在问题？高性能网络的真实的设计目标是什么？依据设计目标，进行对比实验，可以
内涵：目标检测之ATSS
1. 论文 1.1 文章讲了什么 目前目标检测领域的做法分为两大类：anchor-based(one-stage vs two-stage)和anchor-free(keypoint-based vs center-based)。anchor-based系列的文章有例如R-CNN系列和YOLO系列。而anchor-free系列的文章是由于FPN和Focal loss的出现，也变得流行起来（
内涵：半监督学习之Temporal Ensembling For Semi-supervised Learning
一、 引言 这篇文章是ICLR2017的一篇文章，是半监督学习领域的一篇经典文章，以这篇文章作为进入半监督学习的一个切入点。 在这篇文章中，作者的将其工作描述为self-ensembling，而具体来讲有两点：1. Π model 2. temporal ensembling。 We describe two ways to implement self-ensembling, Π-
内涵：目标检测之DarkNet-DarkNet源码解读＜二＞训练篇
1. 引言 本篇文章是介绍ＤarkNet的第三篇文章。第一篇文章主要是介绍ＤarkNet的使用，重点在于熟悉ＤarkNet训练集的数据标签形式和相关的使用指令。第二篇文章主要是介绍ＤarkNet的Test线的源码：包括存储cfg文件的List数据结构;实现网络多链结构的route层的;实现调用不同layer层forward函数的回调机制和检测的前向后处理。本文是DarkNet系列的第三篇文章
内涵：目标检测之DarkNet-DarkNet源码解读＜一＞测试篇
目标检测－ＤarkNet源码解读 DarkNet源码解读1.一些思考 1.1 DarkNet的本质 1.2 深度学习分为两条线 1.3 检测任务的步骤 2.代码走读 2.1 程序入口 2.2 加载网络 2.2 加载图片 2.3 前向 2.4 后处理 3.一些细节 3.1 双向链表来存储网络 3.2 route层来实现多链 3.3 回调函数实现类似于caffe中层的多态 3.4 TopN并非T
内涵：目标检测之ＤarkNet－ＤarkNet使用
目标检测－ＤarkNet使用 引言1. ＤarkNet的安装2 . Ｙolo的介绍2.1 与Ｆocal Loss相比，性能领先2.2 以极低的代价实现速度与精度的trade-off2.3 产业界的广泛应用 3. 运行ＤarkNet3.1 使用官方Ｐre-train模型检测目标 ４. 训练ＤarkNet4.1数据集准备４.2标签制作4.3 修改配置4.4 训练 5. 百度云盘资源６. 参考
爬虫小练习：爬取内涵段子指定页数段子（可控制是否继续爬取）
import urllib.requestimport re# pattern1 = re.compile('<a\shref="(.*?)"\sclass="title"\stitle') 匹配完整段子内容链接## content_url_list = pattern1.findall(html)## pattern2 = re.compile('</p>(.*?)<div\scla
云原生架构内涵_3.主要架构模式
云原生架构有非常多的架构模式，这里列举一些对应用收益更大的主要架构模式，如服务化架构模式、Mesh化架构模式、Serverless模式、存储计算分离模式、分布式事务模式、可观测架构、事件驱动架构等。 1.服务化架构模式 服务化架构是云时代构建云原生应用的标准架构模式，要求以应用模块为颗粒度划分一个软件，以接口契约（例如IDL）定义彼此业务关系，以标准协议（HT
云原生架构内涵_2.云原生架构原则
云原生架构本身作为一种架构，也有若干架构原则作为应用架构的核心架构控制面，通过遵从这些架构原则可以让技术主管和架构师在做技术选择时不会出现大的偏差。 1.服务化原则 当代码规模超出小团队的合作范围时，就有必要进行服务化拆分了，包括拆分为微服务架构、小服务（MiniService）架构，通过服务化架构把不同生命周期的模块分离出来，分别进行业务迭代，避免迭代频繁模
云原生架构内涵_1.云原生架构定义
1.云原生架构 从技术的角度，云原生架构是基于云原生技术的一组架构原则和设计模式的集合，旨在将云应用中的非业务代码部分进行最大化的剥离，从而让云设施接管应用中原有的大量非功能特性（如弹性、韧性、安全、可观测性、灰度等），使业务不再有非功能性业务中断困扰的同时，具备轻量、敏捷、高度自动化的特点。由于云原生是面向“云”而设计的应用，因此，技术部分依赖于传统云计算的3层概念，即基础设