摘要：
ResNet也是相当经典的卷积神经网络，这里实现了18，34，50，101和152。 网络结构如下： 这里18和34用到的block是一样的，两层卷积。50，101和152用到的block是一样的，三层卷积，不过用到了1*1卷积来调整数据通道数。 猫狗大战的训练代码如下: import torch 阅读全文
摘要：
VGGNet也是一个比较经典的深度学习网络模型。 模型结构如下： 这里选用了D模型，同样用该模型做个了个猫狗大战的训练，不过为了提高速度，我把图像resize为112*112了，相应的flatten之后就成56*3*3了，所以和原始模型有点不一样。 import torch import torch 阅读全文
摘要：
AlexNet是另外一个比较经典的深度学习网络模型。 模型结构如下： 这里用该模型做个了个猫狗大战的训练，测试与c++测试和上一篇类似。 import torch import torch.nn as nn import torch.optim as optim from torch.utils.d 阅读全文
摘要：
业余时间重新学习一下深度学习，先从基础网络开始，一点一点积累。 Lenet网络模型： 下面程序中输入的数据是28*28的，结构和原始稍微有点不一样。 训练代码： import torch import torch.nn as nn import torch.optim as optim from t 阅读全文
摘要：
git clone如果遇到下面两个error： error: RPC failed; curl 92 HTTP/2 stream 5 was not closed cleanly before end of the underlying stream error: RPC failed; curl 阅读全文
摘要：
首先安装ccache: sudo apt install ccache 然后在cmake文件中添加如下代码即可： find_program(CCACHE_FOUND ccache) if(CCACHE_FOUND) set_property(GLOBAL PROPERTY RULE_LAUNCH_C 阅读全文
摘要：
当数据通过非线性函数后，分布不再是高斯分布时，可以用无迹变换估计新数据的均值与方差。 算法原理就是在原始数据均值周围根据方差选取一些待使用点，然后将这些点通过非线性函数，再通过加权平均的方式求出新分布的均值与方差。 如果我们选取的点非常多，并且将这些点都通过非线性函数，再估计均值与方差，那么就是粒子 阅读全文
摘要：
要用傅里叶级数表示二维图形，首先要找到数学表达式，然后做傅里叶拟合即可。 我最初想的是$R= f(theta)$这样的式子，$R$是极径，$theta$是极角。 不过这样似乎处理不了$theta$一样的情况，比如图形有凹陷的情况。 后来看了一些文章说可以把$x$和$y$分开表示，即$x=f(t)$, 阅读全文
摘要：
Frechet距离用于描述路径的相似性。 可以用一个二维矩阵$Ca$来表示。 设$d(i,j)$为A,B路径第$i$和第$j$个点的欧式距离。 首先计算A路径第一个点到B路径第一个点的欧式距离，设为$Ca$矩阵的第一个元素。 然后再计算$Ca$矩阵的第一行和第一列： $Ca(1,j)=Max(Ca( 阅读全文
摘要：
回旋曲线能够比较好的表示驾驶员匀速转动方向盘从直行道进入转弯道的路径。 公式如下： 其中$a=1/(RL)$，$L$是曲线长度，$R$是曲线半径，$R$越大，曲线越平缓。 下面生成半径从0.2米到2米，长度从1米到3米的一系列回旋曲线。 matlab代码如下： clear all;close all 阅读全文