mmlab学习系列第32页

MMpose初体验--多人姿态检测关键点检测

MMPose开源代码:https://github.com/open-mmlab/mmpose一、安装环境：官方教程：依赖环境—MMPose0.28.1文档安装过程中的问题：Traceback(mostrecentcalllast

学术菜鸟小晨·2022-12-05 01:25

Dropout解析

深度学习系列第一篇局部最优点+鞍点+学习率的调节第二篇并行计算深度学习机器学习第三篇长短期记忆网络（LSTM）是什么怎么工作的呢？

GDUT 小胖鱼·2022-12-04 20:31

长短期记忆网络（LSTM）是什么怎么工作的呢？

深度学习系列第一篇局部最优点+鞍点+学习率的调节第二篇并行计算深度学习机器学习第三篇长短期记忆网络（LSTM）是什么怎么工作的呢？

GDUT 小胖鱼·2022-12-04 20:19

安装mmcv-full

参考网址：https://github.com/open-mmlab/mmdetection/blob/master/docs/en/get_started.md/#Installationstep0安装步骤如下

大笨钟47·2022-12-04 17:24

Windows mmcv-full 1.5.0 详细安装过程

参考mmcv的官方文档（https://github.com/open-mmlab/mmcv）重要的是问题是需要GPUcuda,pytorch版本一致，与mmcv对应才行。

银木荷·2022-12-04 17:21

Python手撸机器学习系列（三）：线性判别分析（Fisher究极详解，看不懂你锤死我）

目录1.原理概述2.原理详解2.1输入2.2投影2.3求解www3.代码实现4.联系方式1.原理概述我们的目的是将高维的数据投影到一维直线上并在投影的值中取一个阈值进行分类，如下图所示：（绘画水平有限，将就着看）在上图，很明显左边的投影更适合分类，因为两种类别（o和x）在投影直线上能轻松地找到一个阈值将其区分开来，而右边的投影方向则不适合当前分类。所以我们需要求解一个适合的投影方向www在理解fi

锌a·2022-12-04 17:40

“特征工程”相关面试知识点总结-百面机器学习系列1

提示：在准备机器学习算法工程师面试的过程中，我主要参考《百面机器学习》去巩固自己的基础知识。本系列博客将以该书为主题，并以八股文的方式去概述整本书的内容，以尽量减少读者们的阅读作量，并方便读者可以随时随地的记忆背诵。建议：我还是认为读者们可以提前买一本《百面机器学习》，从前到后完全看一遍，然后再看我的博客去记忆背诵会更好些哈。文章目录问题1：为什么需要对数值类型的特征做归一化？问题2：怎样处理类别

八股文的搬运工·2022-12-04 14:59

“模型评估”面试知识点总结-百面机器学习系列2

提示：在准备机器学习算法工程师面试的过程中，我主要参考《百面机器学习》去巩固自己的基础知识。本系列博客将以该书为主题，并以八股文的方式去概述整本书的内容，以尽量减少读者们的阅读作量，并方便读者可以随时随地的记忆背诵。建议：我还是认为读者们可以提前买一本《百面机器学习》，从前到后完全看一遍，然后再看我的博客去记忆背诵会更好些哈。文章目录问题1：评估指标的局限性问题2：ROC曲线的相关知识问题3：余弦

八股文的搬运工·2022-12-04 14:20

距离度量 —— 汉明距离（Hamming Distance）

Python学习系列文章：目录文章目录一、概述二、计算方式三、汉明重量一、概述汉明距离（HammingDistance），就是将一个字符串变成另一个字符串所需要的替换次数。

繁依Fanyi·2022-12-04 10:30

气象类Python编程实战案例项目汇总

2.气象数据读取/数据处理/数据分析/数值计算3.气象可视化(1)Matplotlib绘图教程(2)Cartopy绘图教程(3)Metpy绘图教程(4)Basemap库教程(5)气象可视化案例4.机器学习系列教程

qazwsxpy·2022-12-04 08:58

机器学习系列（一）—— ROC曲线与AUC

一、ROC机器学习模型通常输出一个实值或者概率，并将其与一个阈值比较，若大于阈值，判为正例，否则判为反例。因此，阈值的设定会影响学习器的泛化性能。ROC曲线就是从阈值设定的角度研究学习器的泛化性能ROC的横轴为FPR,纵轴为TPRROC曲线实际由离散点组成，点的个数等于测试样本个数，每个点的坐标为(FPR,TPR).整个ROC曲线反应了学习器在不同阈值条件下的泛化性能。小结：1.ROC曲线越靠近左

CX330lxy·2022-12-04 02:59

机器学习系列(二)——评价指标Precision和Recall

Precision和Recall是常考的知识点，就其区别做一个详细总结1.Precision中文翻译“精确率”，“查准率”。“查准率”这个名字更能反应其特性，就是该指标关注准确性。计算公式如下：这里TP，FP的概念来自统计学中的混淆矩阵，TP指“预测为正（Positive）,预测正确（True）”(可以这里记忆：第一位表示该预测是否正确，第二位表示该预测结果为正还是负)，于是，我们可以这样理解Pr

CX330lxy·2022-12-04 02:58

OpenPCDet安装最新版：spconv一步到位

OpenPCDet安装OpenPCDetgithub官网：https://github.com/open-mmlab/OpenPCDet哇。。。真的是安了好久。

zhSunw·2022-12-03 08:22

openPCdet 实现自定义点云数据集训练

openPCdet自定义数据集训练openPCdet代码框架实现自定义数据集导入的流程自定义数据集类的编写openPCdet代码框架openPCdet是由香港中文大学MMLab实验室开源的轻量话激光雷达点云目标检测框架

Eric Jim·2022-12-03 08:20

关于PCDet 训练中的 road plane问题

https://github.com/open-mmlab/OpenPCDet/issues/473

似酒龙井·2022-12-03 08:50

深度学习系列 -- 序列模型之自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）

目录1词嵌入2词嵌入与迁移学习3词嵌入与类比推理4嵌入矩阵5学习词嵌入5.1神经概率语言模型5.2Word2Vec5.2.1Skip-gram5.2.2CBOW5.2.3负采样5.3Glove6情感分类7词嵌入除偏7.1中和本身与性别无关的词汇：7.2均衡本身与性别有关的词汇1词嵌入one-hot向量将每个单词表示为完全独立的个体，不同词向量都是正交的，因此单词间的相似度无法体现。换用特征化表示方

已退游，勿扰·2022-12-03 08:27

上海人工智能实验室刘宇：从感知AI的发展理解决策AI的未来

刘宇，博士，上海人工智能实验室青年科学家，OpenDILab开源决策智能平台项目负责人，博士毕业于香港中文大学MMLab，研究方向为大规模深度学习优化问题和决策AI，发表人工智能领域顶会顶刊30余篇，总引用量达到

PaperWeekly·2022-12-03 06:14

【人脸】人脸特征点检测---级联方法DCNN、Face++(1)、MTCNN

一、论文：《DeepConvolutionalNetworkCascadeforFacialPointDetection》链接：http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm

苍穹sky·2022-12-02 19:59

【机器学习系列】变分推断第一讲：Variational Inference背景和用途

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，首先注意以下两点：1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论

CHEONG_KG·2022-12-02 17:31

模式识别学习笔记——判别函数和高斯分布

目录判别函数高斯分布SpecialCasesCase1:Case1aCase1bCase2:Case3:GeneralCases关于高斯分布的一些知识，强烈推荐B站白板推导机器学习系列。

_V.O.N_·2022-12-02 15:31

ai_百面机器学习系列笔记_高斯过程

模型评估–>超参数调优–>贝叶斯优化算法–>高斯过程A高斯过程https://blog.csdn.net/paulfeng20171114/article/details/802760611、修正贝塞尔函数https://blog.csdn.net/lanchunhui/article/details/54617827a贝塞尔函数：常微分方程（一般称为贝塞尔方程）的标准解函数：b柯西分布1是一种理

专一的黄先生·2022-12-02 15:30

图上的机器学习系列-聊聊DeepWalk

前言本篇着重结合论文《DeepWalk:OnlineLearningofSocialRepresentations》来聊，过程中尽量把一些概念和方法展开多讨论一下。DeepWalk是干啥的我们来想这样一件事：机器学习是咋工作的？需要输入一堆特征变量对吧？无论是离散型还是连续型，但都是欧式空间中的数学表达，总归是可以用很多数学工具来分析的。但一个社交网络的图结构呢？每一个点该如何进行数学表达，才能在

a_step_further·2022-12-02 14:44

深度学习系列 -- 序列模型之循环序列模型（Recurrent Neural Networks）

目录1为什么选择序列模型？（WhySequenceModels?）2数学符号（Notation）3循环神经网络（RecurrentNeuralNetworkModel）4语言模型和序列生成5采样6循环神经网络的梯度消失7GRU(门控循环单元)9双向循环神经网络（BRNN）10深度循环神经网络（DRNN）1为什么选择序列模型？（WhySequenceModels?）序列模型是深度学习中最精彩的部分之

已退游，勿扰·2022-12-02 07:34

记录配置mmpose出现的cuda报错RuntimeError: CUDA error: invalid device function

环境下配置mmpose，按照mmpose工程下的install.md文件配置，创建虚拟环境，1、condacreate-nopen-mmlabpython=3.7-ycondaactivateopen-mmlab2

周琢磨·2022-12-02 06:26

机器学习：使用scikit-learn的线性回归预测Google股票

这是机器学习系列的第一篇文章。本文将使用Python及scikit-learn的线性回归预测Google的股票走势。请千万别期望这个示例能够让你成为股票高手。下面按逐步介绍如何进行实践。

相太阳·2022-12-01 16:42

9.XGBoost

本教程是机器学习系列的一部分。在此步骤中，您将学习如何使用功能强大的xgboost库构建和优化模型。

自动驾驶小学生·2022-12-01 13:22

训练 open-mmlab/mmclassification

代码下载：github:https://github.com/open-mmlab/mmclassification确定模型resnet18点击configs->resnet18_8*b32_in1k.py

m0_46308537·2022-12-01 08:33

《鼠鼠被逐出下水道后邂逅最强桥洞蟑螂》之mmpose，pphuman跑通入门级教程

如果大家之前没有做过mmlab系列的项目，有可能会不知道如何配置，mmlab系列相关的环境，这里我再单独介绍一遍，如何配置mmlab系列的基础环境。

深度学习鲨我·2022-12-01 07:42

吴恩达机器学习系列课程笔记——第十七章：大规模机器学习(Large Scale Machine Learning)

17.1大型数据集的学习https://www.bilibili.com/video/BV164411b7dx?p=102接下来的课程，我们会学习大规模机器学习，也就是处理大型数据集的算法，对比之前的算法，我们拥有大量的数据集，使得我们的准确度更高，现在我们要学习如何处理大型数据集。为什么我们要学会处理大型数据集呢？我们之前学习过一种高性能的机器学习算法，是采用低偏差的学习算法，并用大数据进行训练

Lishier99·2022-12-01 07:04

深度学习系列33：有标签的CGAN：Pix2Pix/Pix2PixHD/cycleGAN

1.从GAN到CGANGAN的训练数据是没有标签的，如果我们要做有标签的训练，则需要用到CGAN。对于图像来说，我们既要让输出的图片真实，也要让输出的图片符合标签c。Discriminator输入便被改成了同时输入c和x，输出要做两件事情，一个是判断x是否是真实图片，另一个是x和c是否是匹配的。在下面两个情况中，左边虽然输出图片清晰，但不符合c；右边输出图片不真实。因此两种情况中D的输出都会是0。

IE06·2022-12-01 05:01

机器学习系列(3)_特征工程01数据预处理

参考链接：1、scikit-learn官网2、sklearn提供的自带的数据集3、Kaggle官网4、数据挖掘——无量纲化文章目录一、数据中台二、sklearn中的数据预处理与特征工程三、数据无量纲化（1）preprocessing.MinMaxScaler归一化（2）preprocessing.StandardScaler标准化（3）如何选择归一化和标准化四、缺失值处理（1）impute.Sim

abc123susie·2022-12-01 04:37

吴恩达机器学习（二十）—— 推荐系统

吴恩达机器学习系列内容的学习目录→\rightarrow→吴恩达机器学习系列内容汇总。

大彤小忆·2022-12-01 02:07

自监督学习系列(1) BYOL: Bootstrap Your Own Latent

FancyCode Artist·2022-11-30 22:19

多层感知器用实际例子和Python代码进行解释情绪分析

这是专门介绍深度学习系列的第一篇文章，深度学习是一组机器学习方法，其根源可以追溯到20世纪40年代。在过去的几十年里，深度学习因其在图像分类、语音识别和机器翻译等领域的突破性应用而受到关注。

qq_40523298·2022-11-30 17:56

AXera-pi使用使用记录（1）

joint-iimage.jpgfbonfbvpose_out.png后处理参考modelzoo里面的onnxhrnet处理下就好对应HRNet仓库==============https://github.com/open-mmlab

栋哥爱做饭·2022-11-30 17:17

（pytorch-深度学习系列）pytorch使用GPU计算-学习笔记

pytorch使用GPU计算在之前的blog中早已经讲过如何配置pytorch的GPU加速环境查看GPU加速是否可用：importtorchfromtorchimportnnprint(torch.cuda.is_available())#true查看GPU是否可用print(torch.cuda.device_count())#GPU数量，1torch.cuda.current_device()

我是一颗棒棒糖·2022-11-30 14:02

深度学习系列27：VAE生成模型

1.AEAE（Autoencoder），自动编码器。自编码器的初衷是为了数据降维，假设原始特征x维度过高，那么我们希望通过编码器E将其编码成低维特征向量z=E(x)，编码的原则是尽可能保留原始信息，因此我们再训练一个解码器D，希望能通过z重构原始信息，即x≈D(E(x))，其优化目标一般是我们常用的encoder-decoder即为最简单的一种AE。训练过程中加上一些扰动，就可以变成去噪自编码器（

IE06·2022-11-30 13:35

深度学习CNN网络推理时Batchnorm层和卷积层的融合，以提升推理速度。

深度学习系列文章目录文章目录深度学习系列文章目录前言一、Batchnorm二、推理时BatchNorm和Conv融合总结前言看到一些好的东西就忍不住想记录下来，方便学习和记忆。

songlixiangaibin·2022-11-30 10:54

并行计算深度学习机器学习

深度学习系列第一篇局部最优点+鞍点+学习率的调节第二篇并行计算深度学习机器学习文章目录深度学习系列一、基础概念1.并行计算针对哪一部分？2.怎么并行计算的？

GDUT 小胖鱼·2022-11-30 10:19

Springcloud学习系列之Ribbon自定义负载均衡规则

在springcloud中，使用的是ribbon来解决负载均很的问题，而常见的负载均衡策略包括有：轮询，随机，一致性哈希，哈希，加权。在ribbon中提供了ILoadBalance接口用来代表负责均衡的操作，它提供了增加服务器，选择服务器，标记服务器状态为down，获得可用服务器以及获得所有服务器的操作。publicinterfaceILoadBalancer{voidaddServers(Lis

三颗青菜·2022-11-30 09:36

Spring Cloud微服务学习系列7 负载均衡Ribbon

负载均衡Ribbon在刚才的案例中，我们启动了一个user-service，然后通过DiscoveryClient来获取服务实例信息，然后获取ip和端口来访问。但是实际环境中，往往会开启很多个user-service的集群。此时获取的服务列表中就会有多个，到底该访问哪一个呢？一般这种情况下就需要编写负载均衡算法，在多个实例列表中进行选择。不过Eureka中已经集成了负载均衡组件：Ribbon，简单

一只胡说八道的猴子·2022-11-30 09:16

吴恩达机器学习系列课程笔记——第七章：正则化(Regularization)

7.1过拟合的问题https://www.bilibili.com/video/BV164411b7dx?p=39到现在为止，我们已经学习了几种不同的学习算法，包括线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将它们应用到某些特定的机器学习应用时，会遇到过**拟合(over-fitting)**的问题，可能会导致它们效果很差。在这段视频中，我将为你解释什么是过度拟合问题，并且在此之后接下来

Lishier99·2022-11-30 07:27

【吴恩达机器学习笔记】六、过拟合及正则化

视频地址：吴恩达机器学习系列课程❤️如果有收获的话，欢迎点赞收藏，您的支持就是我创作的最大动力六、过拟合及正则化1.过拟合问题在开始介绍这

Pandaconda·2022-11-30 06:44

R语言机器学习系列-决策树回归代码

首先采用rpart包的rpart函数训练决策树模型，需要指定公式、数据集，将模型设定为回归模型，也就是将method设定为anova，最后是控制参数，主要是一些控制决策树生长的预剪枝参数，包括设定树的深度、叶子节点样本量、复杂度参数等，具体可以查阅函数帮助文档。其次输出前述模型的结果，即初始树，同时输出复杂度相关表格和图形。依据这些表格和图形可以确定一个最佳的cp值，进而进行下一步后剪枝。经过后剪

Mrrunsen·2022-11-30 02:21

Opencv(C++)学习系列---Sobel索贝尔算子边缘检测

目录【1】算法简介【2】算子参数介绍【3】完整代码【1】算法简介Sobel算子是一种用于边缘检测的线性滤波器，如果把图像看做是一个二维函数，那么Sobel算子就是图像在垂直和水平方向上变化的速度（即梯度）。Sobel算子在水平和垂直方向上做像素值的差分，能够得到图像梯度的近似值，在像素周围进行运算时，能够减少噪声带来的影响。其对应的内核函数为：Sobel算子检测方法对灰度渐变和噪声较多的图像处理效

大花爱编程·2022-11-30 01:39

Opencv（C++）学习系列---Laplacian拉普拉斯边缘检测算法

【1】算法简介Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化（边缘检测）的要求。通常情况下，其算子的系数之和需要为零。Laplacian算子具有各方向同性的特点，能够对任意方向的边缘进行提取，具有无方向性的优点，因此使用Laplacian算子提取边缘不需要分别检测X方向的边缘和Y方向的边缘，只需要一次边缘检测即可。Laplacian算子是一种

大花爱编程·2022-11-30 01:34

Opencv(C++)学习系列---Canny边缘检测算法

目录【1】边缘检测算法流程【2】Canny算子介绍【3】完整代码【1】边缘检测算法流程使用高斯滤波器来平滑图像，达到滤除噪声的效果。(降噪)计算图像中每个像素点的梯度大小和方向（求梯度,与sobel算法求梯度一致）使用非极大值抑制，消除边缘检测带来的不利影响（非极大抑制）使用双域值法监测确定真实和潜在的边缘（双域值检测）通过抑制孤立的弱边缘完成边缘检测（抑制弱边缘）具体算法流程可以参考该文章：ht

大花爱编程·2022-11-30 01:04

OpenPCDet自定义数据集训练(非KITTI格式)

前言：本文的想法来自于https://github.com/open-mmlab/OpenPCDet/issues/771该讨论区下155cannon大佬的想法，但是在训练的最后一步一直出错，希望有大佬可以指点一下

CVplayer111·2022-11-29 23:55

Openpcdet训练自己的数据集

一.Openpcdet的安装以及使用*Openpcdet详细内容请看以下链接：GitHub-open-mmlab/OpenPCDet:OpenPCDetToolboxforLiDAR-based3DObjectDetection

SEU-侯亮平·2022-11-29 23:20

OpenMMLab人体三维姿态估计

3D人体姿态估计简述-知乎(zhihu.com)open-mmlab/mmocr:OpenMMLabTextDetection,RecognitionandUnderstandingToolbox(github.com

Vertira·2022-11-29 17:52

推荐频道

mmlab学习系列