----【Python/C/C++知识】---- 【一】Python中迭代器的概念？ 可迭代对象是迭代器、生成器和装饰器的基础。简单来说，可以使用for来循环遍历的对象就是可迭代对象。比如常见的list、set和dict。 我们来看一个🌰： from collections import Iterable print(isinstance('abcddddd', Iterable)) # str是否可迭代 print(isinstance([1,2,3,4,5,6], Iterable)) # list是否可迭代 print(isinstance(12345678, Iterable)) #...

----【机器学习基础】---- 【一】什么是模型的偏差和方差？ 误差（Error）= 偏差（Bias） + 方差（Variance） + 噪声（Noise），一般地，我们把机器学习模型的预测输出与样本的真实label之间的差异称为误差，其反应的是整个模型的准确度。 噪声（Noise）：描述了在当前任务上任何机器学习算法所能达到的期望泛化误差的下界，即刻画了当前任务本质的难度。 偏差（Bias）：衡量了模型拟合训练数据的能力，偏差反应的是所有采样得到的大小相同的训练集训练出的所有模型的输出平均值和真实label之间的偏差，即模型本身的精确度。 偏差通常是由于我们对机器学习算法做了错误的假设所导...

一.进程和线程的基本概念： 进程： 是并发执行的程序在执行过程中分配和管理资源的基本单位，是一个动态的概念，竞争计算机系统资源的基本单位。 线程： 是进程的一个执行单元，是进程内的调度实体。比进程更小的独立运行的基本单位。线程也被称为轻量级进程。 一个程序至少一个进程，一个进程至少一个线程。 二.线程的意义： 每个进程都有自己的地址空间，即进程空间，在网络或多用户换机下，一个服务器通常需要接收大量不确定数量用户的并发请求，为每一个请求都创建一个进程显然行不通（系统开销大响应用户请求效率低），因此操作系统中线程概念被引进。 线程的执行过程是线性的，尽管中间会发生中断或者暂停，但是进程所拥有的资源...

----【经典模型&&热门模型】---- 【一】目标检测中IOU的相关概念与计算 IoU（Intersection over Union）即交并比，是目标检测任务中一个重要的模块，其是GT bbox与pred bbox交集的面积 / 二者并集的面积。  下面我们用坐标（top，left，bottom，right），即左上角坐标，右下角坐标。从而可以在给定的两个矩形中计算IOU值。 def compute_iou(rect1,rect2): # (y0,x0,y1,x1) = (top,left,bottom,right) S_rect1 = (rect1[2] - rect1[...

Docker和容器技术为了这么火爆？核心原因就是“轻”。 在容器技术之前，业界的网红是虚拟机。虚拟机技术的代表是VMWare和OpenStack。 虚拟机就是在我们的操作系统里装一个软件，然后通过这个软件再模拟一台甚至多台“子电脑”出来。 在“子电脑”里，我们可以和正常电脑一样运行程序，例如打开微信。如果我们愿意，我们可以变出好几个“子电脑”，里面都开上微信。“子电脑”和“子电脑”之间，是相互隔离的，互不影响。 ==虚拟机属于虚拟化技术。而Docker这样的容器技术，也是虚拟化技术，属于轻量级的虚拟化。== 虚拟机虽然可以隔离出很多“子电脑”，但是占用空间更大，启动更慢，虚拟机软件可能还要花钱...

----【深度学习基础】---- 【一】卷积有什么特点？ 卷积主要有三大特点：  局部连接。比起全连接，局部连接会大大减少网络的参数。在二维图像中，局部像素的关联性很强，设计局部连接保证了卷积网络对图像局部特征的强响应能力。 权值共享。参数共享也能减少整体参数量，增强了网络训练的效率。一个卷积核的参数权重被整张图片共享，不会因为图像内位置的不同而改变卷积核内的参数权重。 下采样。下采样能逐渐降低图像分辨率，实现了数据的降维，并使浅层的局部特征组合成为深层的特征。下采样还能使计算资源耗费变少，加速模型训练，也能有效控制过拟合。  【二】不同层次的卷积都提取什么类型的特征？  浅层卷积 提取边缘特...

FaceNet解决的问题 虽然传统人脸识别技术发展很快，但是人脸验证和人脸识别在自然条件下应用依然存在很多困难。论文中作者提出了一个新的人脸识别模型：FaceNet。这个模型可以直接向人脸图片映射到欧几里得空间，空间距离的长度代表了人脸图像的相似性。只要映射空间生成，以FaceNet嵌入作为特征向量，那么人脸识别，验证和聚类等任务就可以轻松完成。 FaceNet的创新点  FaceNet是一个通用系统，可以用于人脸验证（是否是同一个人？），人脸识别（这个人是谁？）和聚类（寻找类似的人）。 FaceNet采用的方法是通过卷积神经网络学习将图像映射到欧几里得空间，比起之前的方法更加简单，只需要对图...

总体思路 LFFD是由中科院提出的新型单目标检测模型，适用于人脸、行人、车辆等单目标检测，速度快模型小效果好，可以在RTX2070下使用TensorRT跑2k图片90fps。 论文研究了感受野（RF）与有效感受野（ERF）的关联与重要性，使用感受野替代Anchors，即Anchor-free的方法。在一个基础模型结构上分别抽取8路特征图对从小到大的人脸进行检测，检测模块分为类别二分类与边界回归。 主要优势：  通过添加更多CNN层，可以覆盖更大尺度的目标（比如典型的自拍场景人脸），而增加的延迟有限； 检测小目标能力突出，在极高分辨率（比如8K或更大）画面，可以检测其间10个像素大小的目标； 使...

这是我之前写在公众号里的一篇文章，在此分享到牛客上，一来是希望能和牛客上的朋友们一起交流学习CV算法以及相应的知识。      1. 眼界决定了工作影响力的上界，能力决定了到底能否达到那个上界。   2. 人心能静，虽万变纷纭亦澄然无事。不静则燕居闲暇，亦憧憧撞撞。静在心，不在境。  3. 选择最能补短板的投资人而非出价最高的投资人。  4. 带着问题和可能的解决方案与其他人沟通。   5. 不要被情绪占据自己，时刻想着怎么把问题解决，这样你会专注于解决问题，而不是难受而让时间白白度过。      6. 一副健康、良好的体魄和由此带来的宁静和愉快的脾性，以及活跃、清晰、深刻、能够正确无误地把握...

这是我之前写在公众号里的一篇文章，在此分享到牛客上，一来是希望能和牛客上的朋友们一起交流学习CV算法以及相应的知识。 写在前面  【Make YOLO Great Again】栏目专注于从更实战，更深刻的角度解析YOLOv1-v7这个CV领域举足轻重的算法系列，并给出其在业务侧，竞赛侧以及研究侧的延伸思考。欢迎大家一起交流学习💪，分享宝贵的ideas与思考～  大家好，我是Rocky。 近年来YOLO系列层出不穷，更新不断，已经到v7版本。Rocky认为不能简单用版本高低来评判一个系列的效果好坏，YOLOv1-v7不同版本各有特色，在不同场景，不同上下游环境，不同资源支持的情况下，如何从容选...

这是我之前写在公众号里的一篇文章，在此分享到牛客上，一来是希望能和牛客上的朋友们一起交流学习CV算法以及相应的知识。 KL散度 KL散度（Kullback-Leibler divergence），可以以称作相对熵（relative entropy）或信息散度（information divergence）。KL散度的理论意义在于度量两个概率分布之间的差异程度，当KL散度越高的时候，说明两者的差异程度越大；而当KL散度低的时候，则说明两者的差异程度小。如果两者相同的话，则该KL散度应该为0。 接下来我们举一个具体的例子： 我们设定两个概率分布分别为P和Q，在假定为连续随机变量的前提下，他们对应的...

这是我之前写在公众号里的一篇文章，在此分享到牛客上，一来是希望能和牛客上的朋友们一起交流学习CV算法以及相应的知识。 POC（Proof of Concept），即概念验证。通常是企业进行产品选型时或开展外部实施项目前，进行的一种产品或供应商能力验证工作。 验证内容：  产品的功能。产品功能由企业提供，企业可以根据自己的需求提供功能清单，也可以通过与多家供应商交流后，列出自己所需要的功能。 产品的性能。性能指标也是由企业提供，并建议提供具体性能指标所应用的环境及硬件设备等测试环境要求。 产品的API适用性。 产品相关技术文档的规范性、完整性。 涉及到自定义功能研发的，还需要验证API开放性，供...

这是我之前写在公众号里的一篇文章，在此分享到牛客上，一来是希望能和牛客上的朋友们一起交流学习CV算法以及相应的知识。 一.使用PyTorch编写卷积神经网络 使用Pytorh编写卷积神经网络，一般需要导入以下模块: import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim import torchvision.transforms as transforms import torchvision.datasets as datasets import torchv...

这是我之前写在公众号里的一篇文章，在此分享到牛客上，一来是希望能和牛客上的朋友们一起交流学习CV算法以及相应的知识，也欢迎大家关注我的公众号WeThinkIn。 一.电脑类型 首先我们需要先搞清楚我们的电脑类型：  MBR传统bios + 单硬盘 MBR传统bios + 双硬盘（SSD固态硬盘 + 机械硬盘） UEFI新式bios + 单硬盘 UEFI新式bios + 双硬盘（SSD固态硬盘 + 机械硬盘） 以上任意一种情况 + 电脑有特殊独立显卡（这种情况一般不考虑，只有少数电脑会遇到在Linux系统下没有显卡的驱动导致Linux装的过程中或装好后重启过程中卡死。） 删除Ubuntu  二....