Lazy loaded image
Work Record
🔎Blogs
字数 211阅读时长≈ 1 分钟
2025-2-2
2025-3-6
password
comment
type
status
date
slug
summary
tags
category
icon
AI custom autofill

以下是一些我闲时发布在各个平台的博客

Details

ESP_32_CAM使用踩坑总结_esp32 cam-CSDN博客
文章浏览阅读1.5k次，点赞25次，收藏25次。最近博主手痒，想用esp32cam来做点小视觉项目，奈何做板子经验太少😭，在搞环境部署的时候磕磕绊绊搞了好几天，心态差点崩了。先将踩过的坑整理出来（同时也是感觉网上我找到的类似的讲解其实不是很到位：①有很多讲解代码来源没解释，这个博主也找了好久😹②对于型号的解释不够到位③暂时没想起来，先放一边吧）不听老人言，吃亏在眼前。😭好吧，之所以会踩到这个坑纯属是我作死🤣在没什么Linux基础以及没什么esp32cam使用经验的时候就想当然地想将环境部署到Linux环境下的VSCode中。纯纯🤡了属于是。_esp32 cam
ESP_32_CAM使用踩坑总结_esp32 cam-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/139013417?spm=1001.2014.3001.5502
纯C语言实现CNN-46页超详细解析——（二）（反向传播以前解析）_纯c实现cnn-CSDN博客
文章浏览阅读1.5k次，点赞38次，收藏57次。在卷积神经网络中，这种展平操作是必要的，因为全连接层期望输入为一维数组，而卷积层的输出是多维的。此外，代码中的注释 “洗牌算法，用于打乱样本” 说明了这段代码的用途，即使样本数据随机化，类似于洗牌，以确保数据的随机性。总结来说，这段代码通过计算输入数组的每个元素的指数，然后除以这些指数的总和，实现了softmax函数，从而得到了一个概率分布。这段代码是神经网络训练过程中的一个环节，目的是遍历所有已打乱的样本数据，进行正向传播和反向传播，同时计算并更新本轮训练的最大交叉熵损失。如果不想读取，应该按 ‘n’。_纯c实现cnn
纯C语言实现CNN-46页超详细解析——（二）（反向传播以前解析）_纯c实现cnn-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/139086369?spm=1001.2014.3001.5502
调参心法~转-CSDN博客
文章浏览阅读61次。B： 训练损失下降，验证损失不变甚至开始上升了，这种情况就是模型训练过拟合啦，说明模型开始自以为是了，成绩太好可能是题太简单了，所以需要增加难度了，比如增加点dropout rate。理想状态下，我们最想看到的是训练损失下降，验证损失下降，并且验证损失大于训练损失，当然理想很丰满，现实很骨感，一起来看看以下常见的情况和思路分析吧。C： 训练损失不变，验证损失下降。E：训练损失不变，验证损失上升，恭喜你，遇到疑难杂症了，我帮不了，解铃还须系铃人，自己再好好查查数据集把，一般人遇不到这种情况。
调参心法~转-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/139138423?spm=1001.2014.3001.5502
GroundingDINO各流程数据维度解析_groundingdino图像尺寸要求-CSDN博客
文章浏览阅读982次，点赞17次，收藏16次。tokenize后generate_masks_with_special_tokens_and_transfer_map，生成text_self_attention_masks、position_ids以及cate_to_token_mask_list。展开后的src_flatten为[1, 19947, 256]，mask_flatten则是[1, 19947]，lvl_pos_embed_flatten维度为[1, 19947, 256]在第一阶段，模型生成了大量的提议。_groundingdino图像尺寸要求
GroundingDINO各流程数据维度解析_groundingdino图像尺寸要求-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/143654036?spm=1001.2014.3001.5502
老代码调试日志-CSDN博客
文章浏览阅读331次，点赞4次，收藏3次。如题。
老代码调试日志-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/145700816?spm=1001.2014.3001.5501
纯C语言实现CNN-46页超详细解析——（一）-CSDN博客
文章浏览阅读2k次，点赞44次，收藏35次。BMP(_c语言实现cnn
纯C语言实现CNN-46页超详细解析——（一）-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/139085426?spm=1001.2014.3001.5502
纯C语言实现CNN-46页超详细解析——（三）（精华！！反向传播部分）_cnn c代码实现-CSDN博客
文章浏览阅读2.1k次，点赞68次，收藏48次。考虑一个输入向量 x, 经 softmax 函数归一化处理后得到向量 s 作为预测的概率分布, 已知向量 y 为真实的概率分布, 由 cross-entropy 函数计算得出误差值 error (标量 e ), 求 e 关于 x 的梯度.以上是softmax层的梯度（计算依据有下面的图片给出）（注：类似的梯度在网络中仅出现一次）24为卷积核，进行卷积操作，得到3*3的卷积核梯度（这是对于最后一层卷积层的卷积核的梯度）参考我们的数学原理，我们应该先将目前的kernel转置，这样我们反卷积的结果才是正确的。_cnn c代码实现
纯C语言实现CNN-46页超详细解析——（三）（精华！！反向传播部分）_cnn c代码实现-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/139086898?spm=1001.2014.3001.5502
Faster-RCNN Q&A(超全总结)_faster rcnn多尺度-CSDN博客
文章浏览阅读933次，点赞29次，收藏10次。第三步：再次使用ImageNet的预训练权重初始化Faster RCNN网络的贡献conv层（Faster RCNN特有层随机初始化），然后训练Faster RCNN网络。但这次要把共享conv层的权重固定，训练过程中保持不变，只训练RPN特有层的权重。RoI Pooling层用于将提取的候选区域（不同大小的矩形框）转换成固定大小的特征图，以便后续的分类和边界框回归。锚框是在特征图的每个像素点（对应原图就是一个卷积核）上生成的，通常是多个不同尺寸和比例的框，用于覆盖可能的对象尺寸。_faster rcnn多尺度
Faster-RCNN Q&A(超全总结)_faster rcnn多尺度-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/140734256?spm=1001.2014.3001.5502
GroundingDINO各流程数据维度解析_groundingdino图像尺寸要求-CSDN博客
文章浏览阅读982次，点赞17次，收藏16次。tokenize后generate_masks_with_special_tokens_and_transfer_map，生成text_self_attention_masks、position_ids以及cate_to_token_mask_list。展开后的src_flatten为[1, 19947, 256]，mask_flatten则是[1, 19947]，lvl_pos_embed_flatten维度为[1, 19947, 256]在第一阶段，模型生成了大量的提议。_groundingdino图像尺寸要求
GroundingDINO各流程数据维度解析_groundingdino图像尺寸要求-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/143654036?spm=1001.2014.3001.5502
COCO格式数据集合并脚本-CSDN博客
文章浏览阅读141次，点赞3次，收藏3次。博主在跑实验时突然发现一个问题，虽然COCO格式数据使用得非常广泛，但在需要使用多数据集一同训练/测试时，现有的框架（部分框架包含多数据集合并功能，但封装较为隐蔽，且对于初级用户不太友好，难以debug）通常难以下手。（此处的多数据集指的是不同类别集合下的数据集，而非COCO中的train与val合并）脚本能够将多个json合并（包含id、image_id、category_id等排序词的重排列），同时将对应图片复制到用户提供的输出图片文件夹下。因此下面贴上我自己写的一份COCO数据集合并脚本。
COCO格式数据集合并脚本-CSDN博客
https://blog.csdn.net/2301_79017699/article/details/146065521?spm=1001.2014.3001.5501
 
上一篇
比对两个文件夹
下一篇
LLAMA-FACTORY 使用
评论
Loading...
目录