利用Transfer Learning Toolkit训练自己的数据集（ubuntu系统）（一：搭建训练环境）
之前英伟达发布了TLT（Transfer Learning Toolkit）乘着这个机会跑了一下他，训练自己的模型。接下来我会手把手教你如何搭建环境（一），如何制作Kitti数据集和改配置文件（二）目前只支持ubuntu系统，所以博主建议安装双系统，后期为也会出一个双系统的教程，且电脑有英伟达的显卡sudo apt install nvidia-driver-440## 安装显卡的驱动比较简单，输入上面的命令就行，一定是最新版的440测试有没有安装成功nvidia-smi如下图接下来
利用Transfer Learning Toolkit训练自己的数据集（ubuntu系统）（二：训练模型）
上一篇讲到了环境搭建，这一篇我将继续分析训练模型的过程首先用的数据集是kitti格式的，刚开始我也是一脸蒙蔽，因为之前用的oc和coco等数据集格式，然后为就看了一下kitti里面的东西一行有15个数据，然后我就去百度了一下kitti数据的参数解释，以及看了官网给的解释具体如下第1个字符串：代表物体类别第2个数：代表物体是否被截断从0（非截断）到1（截断）浮动，其中truncated指离开图像边界的对象第3个数：代表物体是否被遮挡整数0，1，2，3表示被遮挡的程度0：完全可见 1：小
mmdetection2环境搭建（windows10）
附上开源地址https://github.com/open-mmlab/mmdetection如果能看得懂英文，尽量按照官方的来首先需要创建一个新的虚拟环境，可以参考我之前的博客安装pytorch，可以前往pytorch查看命令conda install pytorch torchvision cudatoolkit=10.1 进入下载好的mmdetection文件夹安装必要的东西1、修改D:\ProgramData\Anaconda3\envs\mmd2\Lib\site-packages
stm32指南者+超声波
VCC 供 5V电源，GND 为地线，TRIG 触发控制信号输入，ECHO 回响信号输出。//ECHO PA4//TRIG PA51.了解超声波的原理(1)采用 IO 口 TRIG 触发测距，给最少 10us 的高电平信号。(2)模块自动发送 8 个 40khz 的方波，自动检测是否有信号返回；(3)有信号返回，通过 IO 口 ECHO 输出一个高电平，高电平持续的时间就是超声波从发射到返回的时间。测试距离=(高电平时间*声速(340M/S))/2;int main(void){
TensorFlow2.0常见问题解决
AttributeError: module 'tensorflow_core.compat.v1' has no attribute 'contrib'lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)#报错解决方法：lstm_cell =tf.nn.rnn_cell.BasicLSTMCel...
conda更换清华源
各系统都可以通过修改用户目录下的.condarc文件。Windows 用户无法直接创建名为.condarc的文件，可先执行conda config --set show_channel_urls yes生成该文件之后再修改。channels: - defaultsshow_channel_urls: truechannel_alias: https://mirrors...
修改Jupyter Notebook的工作目录
打开Anaconda Prompt，输入如下命令：jupyter notebook --generate-config进入指定目录C:\Users\Steven\.jupyter，打开指定文件jupyter_notebook_config.pyCtrl+F 查询notebook_dir修改加入自己的工作空间，前面需要加一个r保存并退出，重新启动jupyter notebook就可以进入自己指定的工作目录...
Ubuntu18.04安装远程桌面xRDP
按照一般方法，可能会导致安装xrdp后出现蓝屏，进不去的现象，此时可以使用如下方法进行解决：一、进入官网http://www.c-nergy.be/products.html二、sudo wgethttp://c-nergy.be/downloads/xRDP/xrdp-installer-1.2.zip三、sudo unzip xrdp-installer-1.2.zip四、sudo chmod 777 xrdp-installer-1.2.sh五、./xrdp-installe.
anaconda下载包并指定地址
conda install --channel https://conda.anaconda.org/menpo tensorflowpip install -i https://conda.anaconda.org/menpo tensorflow
Python中eval()与exec()
eval函数：计算指定表达式的值。即要执行的Python代码只能是单个运算表达式（注意eval不支持任意形式的赋值操作），而不能是复杂的代码逻辑#函数定义eval(expression, globals=None, locals=None)参数说明：expression：必选参数，可以是字符串，也可以是一个任意的code对象实例。如果它是一个字符串，它会被当作一个（使用globals和locals参数作为全局和本地命名空间的）Python表达式进行分析和解释。 globals：可选参数，表
Python中的locals()函数和globals()函数
name = 'Tom'age = 18def func(x, y): sum = x + y _G = globals() _L = locals() print(id(_G), type(_G), _G) print(id(_L), type(_L), _L)func(10, 20)＃ 输出结果：# 140622020688624 <class 'dict'> {'__name__': '__main__', '__doc__':.
tf.control_dependencies()用法
示例程序1：观察下面程序可以发现，每更新一次update_a操作，就会更新a和b的值import tensorflow as tfa = tf.Variable(initial_value=[1.], dtype=tf.float32)b = a + 3update_a = tf.assign(a, b)init = tf.global_variables_initializer()with tf.Session() as sess: sess.run(init)
tf.train.ExponentialMovingAverage用法
tf.train.ExponentialMovingAverage：通过采用指数衰减来保持变量的移动平均值。tf.train.ExponentialMovingAverage( decay, num_updates=None, zero_debias=False, name='ExponentialMovingAverage')训练模型时，保持训练参数的移动平均值通常是有益的。 使用平均参数的评估有时会产生比最终训练值明显更好的结果。apply（）方法添加训练变量的影子副本，并添加操
tf.compat.v1.placeholder用法
目的：为将始终馈入的张量插入占位符。tf.compat.v1.placeholder( dtype, shape=None, name=None)关键点：如果评估，该张量将产生错误。 它的值必须使用feed_dict可选参数馈入到Session.run（），Tensor.eval（）或Operation.run（）。示例程序：x = tf.compat.v1.placeholder(tf.float32, shape=(1024, 1024))y = tf.matmul(x,
tf.estimator用法
estimator：估算器tf.estimator-----一种高级TensorFlow API。估算器封装以下操作：训练 评价 预测 出口服务可以使用其提供的预制估算器（pre-made Estimators），也可以编写自己的自定义估算器（custom Estimators）。所有Estimators（无论是预制的还是自定义的）都是基于tf.estimator.Estimator类的类。估算器功能估算器具有以下优点：开发者可以在本地主机或分布式多服务器环境上运行基于Esti.
tf.name_scope用法
tf.name_scope：用于定义Python op的上下文管理器。tf.name_scope( name)此上下文管理器将推送名称范围，这将使在其中添加的所有操作的名称带有前缀。例如，定义一个新的Python opmy_op：def my_op(a, b, c, name=None): with tf.name_scope("MyOp") as scope: a = tf.convert_to_tensor(a, name="a") b = tf.co.
tf.summary.scalar用法
tf.summary.scalar：写一个标量摘要。tf.summary.scalar( name, data, step=None, description=None)Arguments：name：此摘要的名称。用于TensorBoard的summary标记将是此名称的任何活动名称范围的前缀。data：实数标量值，可转换为float32张量。step：此摘要的显式int64可广播单调阶跃值。如果省略，则默认为tf.summary.experimental.get_step(
tf.compat.v1.summary.merge_all()用法
tf.compat.v1.summary.merge_all()：合并默认图中收集的所有摘要。tf.compat.v1.summary.merge_all( key=tf.GraphKeys.SUMMARIES, scope=None, name=None)Args：key：GraphKey用于收集摘要。默认为GraphKeys.SUMMARIESscope：用于筛选摘要操作的可选范围，使用re.matchReturns：如果未收集任何摘要，则返回无。否则，返回Ten..
Module: tf.summary用法
Module: tf.summary：用于编写摘要数据的操作，用于分析和可视化。该tf.summary模块提供用于编写摘要数据的API。可以在TensorBoard（TensorFlow随附的可视化工具包）中可视化此数据。急切执行的示例用法，TF 2.0中的默认用法：writer = tf.summary.create_file_writer("/tmp/mylogs")with writer.as_default(): for step in range(100): # o
今日推荐
周排行