其他

1.       幻方矩陣 幻方是一種很有意思的數字矩陣，在很早著名的九宮八卦陣就與幻方有關。 幻方的定義為： 1 到 N*N 的整數填入N*N的方格中，每行和每列以及對角線的數字之和必須是相等的。 你作為八卦公司的頂級程式員，現在需要你解決一個問題，將任意奇數階的幻方找出來。   輸入：   輸入包括多個測試集，每行為一個正奇數N(1<= N <

N! 時間限制： 1000 ms  |  記憶體限制： 65535 KB 難度： 3 描述 階乘(Factorial)是一個很有意思的函數，但是不少人都比較怕它。現在這裡有一個問題，給定一個N(0<0<1000000000)，求N!的二進位表示最低位的1的位置(從右向左數)。 輸入

（主要參考書籍《神經網路與深度學習》） 1. 什麼是神經網路 1.1 從感知器說起…… 什麼是感知器。很簡單，前面我們已經說過了： output=sign(wTx) output=sign(w^Tx) 什麼意思呢。我們有一些輸入，我們會根據這些輸入做出一個決定：YES OR NOT。我們可能會想這麼簡單有什麼用呢。那我們得想一下電腦——CPU和人腦的組成了。

時間限制：C/C++ 1秒，其他語言2秒 空間限制：C/C++ 131072K，其他語言262144K 64bit IO Format: %lld 題目描述 栗醬有一天在網上衝浪的時候發現了一道很有意思的資料結構題。 該資料結構形如長條形。 一開始該容器為空白，有以下七種操作。 1 a從前面插入元素a 2 從前面刪除一個元素 3 a從後面插入一個元素 4 從後面刪除一個元素 5 將整個容器頭尾翻轉 6 輸出個數和所有元素 7 對所有元素進行從小到大排序 輸入描述:

Joint Patch and Multi-label Learning forFacial Action Unit Detection   這篇文章是講臉部動作（action units，AU）微妙，有很多意思可以解讀出來。現有方法使用one-vs-all的分類方法，不能探索AU間的依賴關係。這篇文章提出的方法是多區塊和多標註學習joint-patch andmulti-label learning。   PL和ML 區塊學習patch

目的 使用multi-patches目前看來，有兩種目的，一是想保持原來的解析度，並使用多patch代表原圖；二是想使用patch來處理fine-grained細粒度特徵。 多patch組合 雖然也是裁剪出原圖的內容，和物體檢測網路不同，多patch更強調彼此之間的聯絡，所以要將patch組合再一起。組合的方式也就隨之而來。 1.       最簡單的，使用簡單組合的方式concatenate 2.&

什麼是最佳化演算法。 給定一個具有參數θ的目標函數，我們想要找到一個θ使得目標函數取得最大值或最小值。最佳化演算法就是協助我們找到這個θ的演算法。 在神經網路中，目標函數f就是預測值與標籤的誤差，我們希望找到一個θ使得f最小。 最佳化演算法的種類 一階最佳化演算法 它通過計算目標函數f關於參數θ的梯度（一階偏導數）來最小化代價函數。常用的SGD、Adam、RMSProp等基於梯度的最佳化演算法都屬於一階最佳化演算法。

問題描述： ubuntu@ubuntu:~/opencv-3.3.0/cpp_luckynote/opencv_lena$ ./DisplayImage ../lfw/Anna_Chicherova/Anna_Chicherova_0001.jpg OpenCV Error: Unspecified error (The function is not implemented. Rebuild the library with Windows, GTK+ 2.x or Carbon

1.關於OpenPose 介紹：OpenPose是一個由CMU開源的即時多人關鍵點檢測庫，它實現了一個人人體、手部和臉部關鍵點檢測的即時系統（共130個關鍵點）。 github地址：https://github.com/CMU-Perceptual-Computing-Lab/openpose 2.系統配置 作業系統：Win7 x64 IDE：Viusal studio 2015 GPU：GT 720 CUDA： 8.0 2.1安裝CUDA,CuDNN，Visual

torch也是可以使用tensorboard的，通過安裝crayon就可以 下面以ubuntu下的安裝為例進行講解 其實安裝的過程還是會碰到不少曲折的過程的 主要為 ①安裝crayon會提示找不到libssl.so檔案，因此可以加入OPENSSL_LIBDIR=/usr/lib/x86_64-linux-gnu/來告訴luarocks，ssl庫檔案的路徑。 ②docker下載鏡像的時候會使用國外的地址，因此需要更換docker的鏡像，

openpose訓練代碼（一）： http://blog.csdn.net/u011956147/article/details/79292026 openpose訓練代碼（二）：http://blog.csdn.net/u011956147/article/details/79292734

筆者在ubuntu上跑Tensorflow的程式的時候，中途使用了Win+C鍵結束了程式的進行，但是GPU的顯存卻顯示沒有釋放，一直處於被佔用狀態。 使用命令 watch -n 1 nvidia-smi 顯示如下 兩個GPU程式都在執行中，實際上GPU:0已經被筆者停止了，但是GPU沒有釋放，進程還在繼續，所以只有採用暴力手段了，將進程手動關閉掉，進程編號如圖中紅線部分，由於筆者在兩個GPU跑的程式一樣，很難從程式名稱上找到自己，卻可以從GPU：num上找到自己的PID。

在過幾天CVPR2016就要召開了，先放個list。 ORAL SESSION Image Captioning and Question Answering Monday, June 27th, 9:00AM - 10:05AM. These papers will also be presented at the following poster session 1    Deep Compositional

首先驗證你是否有nvidia的顯卡（http://developer.nvidia.com/cuda-gpus這個網站查看你是否有支援gpu的顯卡）： $ lspci | grep -i nvidia 查看你的linux發行版本（主要是看是64位還是32位的）： $ uname -m && cat /etc/*release 看一下gcc的版本： $ gcc --version首先下載nvidia

論文閱讀筆記：YOLO9000: Better,Faster,Stronger 本文主要包含如下內容：   論文地址   參考部落格 論文閱讀筆記YOLO9000 BetterFasterStronger 回顧 YOLOv1 主要思想 網路改進 Better 實驗結果 網路改進 Faster-Draknet19 網路改進

OpenPose是一個利用OpenCV和Caffe並以C++寫成的開源庫，用來實現多線程的多人關鍵點即時檢測，作者包括Gines Hidalgo,Zhe Cao,Tomas Simon,Shih-En Wei,Hanbyul Joo以及Yaser Sheikh。 即將加入（但是已經實現。）身體+手勢+人臉估計展示: 儘管該庫使用了Caffe,但是代碼還是很容易向其他架構（如Tensorflow 或者Torch

caffe參數配置solver.prototxt 及最佳化演算法選擇 本文主要包含如下內容： caffe參數配置solverprototxt 及最佳化演算法選擇 solverprototxt介紹及流程 solverprototxt最佳化演算法選擇 批量梯度下降法BGD和 隨機梯度下降法SGD SGD隨機梯度下降法

極簡筆記 Multi-task Self-Supervised Visual Learning 論文地址: https://arxiv.org/abs/1708.07860 文章核心是利用自監督的任務對模型進行pretrain，再將得到的模型遷移到相關任務進行finetuning（這時候對不更新骨架網路參數，來進行對比，只學習不同任務的head），期望得到的效能接近帶有額外label的pretrain模型。 文章提到了多種自監督任務，這些任務的標註可以直接得到而不用額外標註：1.

本論文有提供代碼https://github.com/CMU-Perceptual-Computing-Lab/caffe_rtpose ，可運行。 以下為本人對文章的理解，如果有錯誤歡迎討論，如轉載請標明出處。 1。 Introduction Pose estimation 的挑戰： 1〉映像中不知道多少人，在什麼位置，什麼尺度 2〉人與人之間因接觸，遮擋而變得複雜 3〉即時性的要求，映像中人越多，計算複雜度越大。 A common approach:

【極簡筆記】Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation 文章核心：1. 提出DeepLabv3+，採用encoder-decoder結構（其實就是語義分割常用的下採樣再上採樣）；2. 該網路通過帶孔卷積可以任意控制encoder feature的resolution，有較好的尺度適應性；3. 採用modified