其他

概述 此教程為Ubuntu 16.04 下 Tensorflow-GPU或者CPU版本的安裝 安裝前，請務必執行1.1.1的操作，驗證您的顯卡是NIVIDIA的並且支援GPU計算。如果不支援GPU運算，則只能安裝Tensorflow-CPU版本，直接跳過1、2、3大標題，從4. Virtualenv + Tensorflow1.5處開始，並選擇安裝CPU版本 注意。。安裝CUDA和cuDNN時，都不要安裝最新版本，一切按照本篇中的版本進行安裝。 1. NVIDIA CUDA

項目中使用Mybatis+pagehelper正常運行沒有問題，應需求要求需要配置多資料來源，可是當我配置完後，新的資料來源正常運行，原來查詢的都出null 指標異常了、 錯誤如下： 2017-09-20 19:59:40.256 ERROR 17836 --- [nio-1010-exec-1] .p.s.c.m.e.GlobalDefaultExceptionHandler : -----------------------全域統一異常異常處理---------------------

今天上午，需要查看opencv的cvColor函數的原始碼，之前雖然經常使用opencv庫來做一些映像相關的處理，但是並沒有查看過opencv的原始碼，經過一些尋找，主要有下面的兩種方法： 1. 使用cmake。我們知道，我們在官網上下載的完整版的opencv一般會有build和sources兩個檔案夾，如果我們僅僅是要使用opencv庫，那麼build檔案夾足矣。而如果是要查看opencv的原始碼，則需要sources檔案夾，但是sources檔案夾中只是一些零散的檔案，用Visual

本文主要記錄自己在學習稀疏表示在Face Service中的應用所遇到的問題作一簡單的總結。 1.  問題背景         訊號的稀疏表示並不是新的東西。我們很早就一直在利用這一特性。例如，最簡單的JPEG映像壓縮演算法。原始的映像訊號經過DCT變換之後，只有極少數元素是非零的，而大部分元素都等於零或者說接近於零。這就是訊號的稀疏性。        

轉自論壇http://www.ieee.org.cn/dispbbs.asp?BoardID=62&replyID=31567&id=29962&star=1&skin=0 作者好像是南大周志華老師　 我知道的幾個人工智慧會議(一流) 下面同分的按字母序排列: IJCAI (1+): AI最好的綜合性會議, 1969年開始, 每兩年開一次, 奇數年開. 因為AI 實在太大, 所以雖然每屆基本上能錄100多篇（現在已經到200多篇了），

1.　　前言 　　讀者朋友們大家好。（很久很久）之前，我們為大家介紹了SLAM的基本概念和方法。相信大家對SLAM，應該有了基本的認識。在忙完一堆寫論文、博士開題的事情之後，我準備回來繼續填坑：為大家介紹SLAM研究的方方面面。如果前兩篇文章算是"初識"，接下來幾篇就是"漸入佳境"了。在第三篇中，我們要談談SLAM中的各個研究點，為研究生們（應該是部落格的多數讀者吧）作一個提綱挈領的摘要。然後，我們再就各個小問題，講講經典的演算法與分類。我有耐心講，你是否有耐心聽呢。

1.配置環境 1. 本文在windows7+vs2013的環境下編譯 ，CUDA版本8.0，cudnn版本5.1 2. CUDA下載地址：https://developer.nvidia.com/cuda-toolkit，cudnn：cudnn-8.0-windows7-x64-v5.1 下載地址：https://developer.nvidia.com/cudnn  3. 安裝CUDA8.0（需要在安裝vs2013之後） 4.

裝飾器模式允許向一個現有的對象添加新的功能，同時又不改變其結構。這種類型的設計模式屬於結構型模式，它是作為現有的類的一個封裝 一、意圖：動態地給一個對象添加一些額外的職責。就增加功能來說，裝飾器模式相比產生子類更為靈活 主要解決：一般的，我們為了擴充一個類經常使用繼承方式實現，由於繼承為類引入靜態特徵，並且隨著擴充功能的增多，子類會很膨脹 二、何時使用：在不想增加很多子類的情況下擴充類 三、如何解決：將具體功能職責劃分，同時繼承裝飾者模式 四、關鍵代碼：

作為一個實驗室資源特別緊缺，好幾個人在伺服器上共用一個路徑的苦逼研究生，面對大家都需要跑caffe的時候就會非常蛋疼。特別是有些人亂七八糟的裝不同版本的protobuf，安裝在不同路徑下，該如何選取特定的版本進行caffe編譯呢。 我是linux零基礎+caffe零基礎，查了好多資料，勉強拼湊出來了如何選擇protobuf版本的解決辦法。 例如我們的伺服器上有兩個版本的protobuf，版本3.1.0安裝在usr/local/bin下，版本3.0.0安裝在$HOME/anaconda2/

從建立vue項目到引入組件Element 以及Error when rendering component報錯解決 一、建立項目 1.開啟cmd，運行：vue init webpack Vue-Demo 2.運行：cd Vue-Demo進入這一級 3.運行：npm install 4.運行：npm run dev 如果瀏覽器開啟之後，沒有載入出頁面，說明本地的8080 連接埠被佔用，需要修改一下設定檔 config/index.js 解釋：1.將 build

作者：夏曉昊 連結：https://zhuanlan.zhihu.com/p/19736559 來源：知乎 著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。 作為一個標準的學渣，雖然經曆了一系列變故但最終還是使用 LaTeX 完成了我的畢業論文。要問我感想的話，就是——如果沒有做好迎接比較陡峭的學習曲線以及各種打擊人的小細節的心理準備的話，我強烈建議大家使用 Word 完成自己的論文。說實話，如果你能將學習 LaTeX 的時間拿來看看 Word

一：多標籤分類演算法閾值函數（Threshold Calibration） 這裡的閾值函數是指：對於每一個標籤的預測值，當它達到多少時被判定為此標籤存在，小於多少時被判定為詞標籤不存在。 主要有兩種閾值函數：常數閾值函數和基於訓練集的閾值函數。 1. 常數閾值函數 常見的選擇為0或者0.5。比如取0.5，當給定標籤預測值大於它時，被判定為存在，反之不存在。 2. 基於訓練集的閾值函數 二：多標籤分類評價指標 三：tanh啟用函數的最佳化

最近剛接觸caffe弄了一個caffe多標籤遇到各種蛋疼的問題跟大家分享分享。 一  準備資料這裡用的驗證碼0-9+26個字母字母產生4位元的驗證碼 二  修改caffe源碼涉及到修改的檔案有        caffe.proto ,       convert_imageset.cpp,       data_layer.cpp, &

Google發布了新的TensorFlow物體檢測API，包含了預訓練模型，一個發布模型的jupyter notebook，一些可用於使用自己資料集對模型進行重新訓練的有用指令碼。 使用該API可以快速的構建一些圖片中物體檢測的應用。這裡我們一步一步來看如何使用預訓練模型來檢測映像中的物體。 1、首先我們載入一些會使用的庫 import numpy as np import os import six.moves.urllib as urllib import sys

一、Tensorflow交叉熵函數：cross_entropy 以下交叉熵計算函數輸入中的logits都不是softmax或sigmoid的輸出，因為它在函數內部進行了sigmoid或softmax操作 1、tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None) _sentinel:本質上是不用的參數，不用填

1、線性迴歸的主要思想就是通過曆史資料擬合出一條直線，用這條直線對新的資料進行預測。（例如：位於線性函數兩邊的分別為A.B類） 2、現實世界中的影響因素很多，因此我們需要使用多元線性函數來描述一個事件（結果） 3、多元線性函數：研究二分類觀察結果y與一些影響因素（x1,x2,x3,…,xn）之間關係的一種多變數分析方法，例如醫學中根據病人的一些癥狀來判斷它是否患有某種病。 4、多元線性迴歸公式： 5、sigmoid函數： 將多元線性函數z帶入到sigmoid函數中，

錯誤提示： log4j:WARN No appenders could be found for logger (org.springframework.context.support.ClassPathXmlApplicationContext). log4j:WARN Please initialize the log4j system properly. Exception in thread "main"

OPENCV筆記都是記錄MFC下做影像處理的項目時，遇到的問題，留此部落格以備記錄。 本文主要是需要開啟一個對話方塊，手動選取圖片，顯示在MFC的picture control上。關於在程式中使用絕對路徑讀取圖片的代碼，這裡直接給出，不做過多的說明了。 OpenCV使用絕對路徑讀取圖片： void CMyDlg::OnBnClickedBtnloadimg(){// TODO: 在此添加控制項通知處理常式代碼IplImage *SrcImg;SrcImg =

一、什麼是GLCM。 GLCM，是Grey Level Co-occurence Matrix的縮寫，也叫做Grey Tone Spatial Dependency Matrix，中文名是灰階共現矩陣。 定義 The GLCM is a tabulation of how often different combinations of pixel brightness valus(gray level) occur in an

  摘要     論文中遇到很重要的一個元素就是高斯核函數，但是必須要分析出高斯函數的各種潛在屬性，本文首先參考相關材料給出高斯核函數的基礎，然後使用matlab自動儲存不同參數下的高斯核函數的變化gif動圖，同時分享出原始碼，這樣也便於後續的論文寫作。 高斯函數的基礎 2.1 一維高斯函數 高斯函數，Gaussian Function， 也簡稱為Gaussian，一維形式如下： 對於任意的實數a,b,c，是以著名數學家Carl