Life
Gintmr's Home支教日志 | Gintmr's Home
支教日志 | Gintmr's Home
这是一个由NotionNext生成的站点
Gintmr's HomeGintmr's Home北京百日漂流 | Gintmr's Home
北京百日漂流 | Gintmr's Home
这是一个由NotionNext生成的站点
Gintmr's HomeGintmr's Home西安游 | Gintmr's Home
西安游 | Gintmr's Home
这是一个由NotionNext生成的站点
Gintmr's HomeGintmr's Home下一站·HKUST.North | Gintmr's Home
下一站·HKUST.North | Gintmr's Home
这是一个由NotionNext生成的站点
Gintmr's HomeGintmr's Home川西GoGoGo | Gintmr's Home
川西GoGoGo | Gintmr's Home
这是一个由NotionNext生成的站点
Gintmr's HomeGintmr's Home海口吃吃吃 | Gintmr's Home
海口吃吃吃 | Gintmr's Home
这是一个由NotionNext生成的站点
Gintmr's HomeLearning & Records
gintmr.github.iogintmr.github.io
Portfolio webpage of Xinrui Wu
qcna0njuy6qp.feishu.cn
清水河畔－电子科技大学官方论坛
电子科技大学论坛——清水河畔是教育部直属全国重点大学电子科技大学随清水河校区兴建而发展起来的学生论坛，面向内网和公网开放，逐步成为成为电子科技大学最火爆的学生论坛，每一个在学校学子生活学习不可或缺的一部分。截至 2025 年 10 月 1 日，注册人数 249989，主题 2320509，帖子数 40095785。清水河畔，与你的大学一路同行！
Technic Blogs
ESP_32_CAM使用踩坑总结_esp32-cam-CSDN博客
文章浏览阅读2.2k次，点赞27次，收藏30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
纯C语言实现CNN-46页超详细解析——（二）（反向传播以前解析）_如何用c语言构建cnn模型-CSDN博客
文章浏览阅读1.6k次，点赞39次，收藏58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’。_如何用c语言构建cnn模型
调参心法~转-CSDN博客
文章浏览阅读116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。
GroundingDINO各流程数据维度解析_groundingdino数据标注格式-CSDN博客
文章浏览阅读1.3k次，点赞18次，收藏18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数据标注格式
老代码调试日志-CSDN博客
文章浏览阅读418次，点赞4次，收藏3次。如题。
纯C语言实现CNN-46页超详细解析——（一）-CSDN博客
文章浏览阅读2.4k次，点赞46次，收藏39次。BMP(_c语言实现cnn
纯C语言实现CNN-46页超详细解析——（三）（精华！！反向传播部分）_反向传播 c代码-CSDN博客
文章浏览阅读2.3k次，点赞69次，收藏49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。_反向传播 c代码
Faster-RCNN Q&A(超全总结)_faster rcnn多尺度-CSDN博客
文章浏览阅读1.1k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
GroundingDINO各流程数据维度解析_groundingdino数据标注格式-CSDN博客
文章浏览阅读1.3k次，点赞18次，收藏18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数据标注格式
COCO格式数据集合并脚本_coco数据及合并-CSDN博客
文章浏览阅读478次，点赞6次，收藏5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数据及合并