<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gdymind的博客]]></title><description><![CDATA[计算机图形学、可视化、机器学习、ACM题解等计算机各方向技术]]></description><link>https://blog.csdn.net/gdymind</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; gdymind]]></copyright><item><title><![CDATA[CS231n Lecture 11：图像分割与检测（各种R-CNN, YOLO, SSD）]]></title><link>https://blog.csdn.net/gdymind/article/details/85142112</link><guid>https://blog.csdn.net/gdymind/article/details/85142112</guid><author>gdymind</author><pubDate>Thu, 20 Dec 2018 21:41:34 +0800</pubDate><description><![CDATA[CS231n Lecture 11：图像分割与检测
@(人工智能和机器学习-default)
图像的分割和检测任务有不同的粒度，我们首先明确一下有关概念：

语义分割（Semantic Segmentation）：将每个像素标注为某一类别，是一个分类问题。该任务不区分实例，即同一类别的不同实例都标为同一颜色（如下图中的两头牛）；

单物体检测：只识别图像中的一个物体，并标出bounding box...]]></description><category></category></item><item><title><![CDATA[CS231n lecture 9：各大经典网络 AlexNet/VGG/GoogleNet/ResNet（上）]]></title><link>https://blog.csdn.net/gdymind/article/details/83042729</link><guid>https://blog.csdn.net/gdymind/article/details/83042729</guid><author>gdymind</author><pubDate>Sat, 13 Oct 2018 22:05:03 +0800</pubDate><description><![CDATA[本篇将深入介绍当前的应用和研究工作中最火的几个CNN网络架构——AlexNet、VGGNet、GoogleNet和ResNet，它们都在ImageNet分类任务中有很好的表现。另外，本篇也会粗略介绍一些其他的架构。
LeNet-5回顾
我们先来回顾一下最基本的LeNet，它可以说是首个效果比较好的comNet。它使用了5x5的卷积核，stride为1。池化层卷积核是2x2的，stride为2。最后...]]></description><category></category></item><item><title><![CDATA[图像质量评价之结构相似性SSIM（中）]]></title><link>https://blog.csdn.net/gdymind/article/details/83016470</link><guid>https://blog.csdn.net/gdymind/article/details/83016470</guid><author>gdymind</author><pubDate>Thu, 11 Oct 2018 18:00:46 +0800</pubDate><description><![CDATA[在上一篇文章中，我们介绍了对图像质量进行评价的必要性、主观评价和客观评价的两种标准，以及设计符合人类直觉的评价标准的困难性和重要性。
本来这篇文章想把我们的主角SSIM讲完，但是发现前面需要写的铺垫有点长hhh，所以本文是作为一个过渡，系统的讲解一下设计图像评价标准的过程和目前的缺点，SSIM的详细讲解将在下一篇文章中介绍（保证下一篇是最后一篇，别打我QAQ）
提前预告一下，这一篇可能比较无聊==...]]></description><category></category></item><item><title><![CDATA[图像质量评价之结构相似性SSIM（上）]]></title><link>https://blog.csdn.net/gdymind/article/details/82949418</link><guid>https://blog.csdn.net/gdymind/article/details/82949418</guid><author>gdymind</author><pubDate>Sat, 06 Oct 2018 10:27:33 +0800</pubDate><description><![CDATA[这篇文章主要介绍对图像质量进行打分评价的一个很经典的指数——结构相似性（structual similarity, SSIM）。
具体一点儿来说，图像在各种情况下都有可能失真，比如经过传输、压缩和缩放等等。图片变换之后，我们自然很想知道失真图像（distorted image）的质量如何，也就是要对它进行图像质量评价（image quality assessment）。注意这种评价应用很广泛，比如...]]></description><category></category></item><item><title><![CDATA[Pytorch中常见的报错解决方案]]></title><link>https://blog.csdn.net/gdymind/article/details/82933534</link><guid>https://blog.csdn.net/gdymind/article/details/82933534</guid><author>gdymind</author><pubDate>Wed, 03 Oct 2018 20:05:03 +0800</pubDate><description><![CDATA[本文用于记录所在pytorch所遇到过的运行时错误，持续更新。

变量所在设备（CPU，GPU）不一致问题


RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same

可能原因：现在假设代码要在GPU上运行，并且你已经进行my_model.to...]]></description><category></category></item><item><title><![CDATA[Pytorch中的optimizer]]></title><link>https://blog.csdn.net/gdymind/article/details/82708920</link><guid>https://blog.csdn.net/gdymind/article/details/82708920</guid><author>gdymind</author><pubDate>Fri, 14 Sep 2018 21:28:48 +0800</pubDate><description><![CDATA[与优化函数相关的部分在torch.optim模块中，其中包含了大部分现在已有的流行的优化方法。

如何使用Optimizer

要想使用optimizer，需要创建一个optimizer 对象，这个对象会保存当前状态，并根据梯度更新参数。



怎样构造Optimizer

要构造一个Optimizer，需要使用一个用来包含所有参数（Tensor形式）的iterable，把相关参数（如learni...]]></description><category></category></item><item><title><![CDATA[一文读懂GAN, pix2pix, CycleGAN和pix2pixHD]]></title><link>https://blog.csdn.net/gdymind/article/details/82696481</link><guid>https://blog.csdn.net/gdymind/article/details/82696481</guid><author>gdymind</author><pubDate>Fri, 14 Sep 2018 04:42:30 +0800</pubDate><description><![CDATA[
  本文翻译、总结自朱俊伟的线上报告，主要讲了如何用机器学习生成图片。


来源：Games2018 Webinar 64期 ：Siggraph 2018优秀博士论文报告

人员信息



主讲嘉宾

姓名：朱俊彦（Jun-Yan Zhu） 
现状：麻省理工学院博士后（PostDoc at MIT），计算机科学与人工智能实验室（Computer Science and Artificial In...]]></description><category></category></item><item><title><![CDATA[Pytorch中的contiguous理解]]></title><link>https://blog.csdn.net/gdymind/article/details/82662502</link><guid>https://blog.csdn.net/gdymind/article/details/82662502</guid><author>gdymind</author><pubDate>Wed, 12 Sep 2018 15:35:43 +0800</pubDate><description><![CDATA[最近遇到这个函数，但查的中文博客里的解释貌似不是很到位，这里翻译一下stackoverflow上的回答并加上自己的理解。

在pytorch中，只有很少几个操作是不改变tensor的内容本身，而只是重新定义下标与元素的对应关系的。换句话说，这种操作不进行数据拷贝和数据的改变，变的是元数据。

这些操作是：


  narrow()，view()，expand()和transpose()


举个栗...]]></description><category></category></item><item><title><![CDATA[认识色彩]]></title><link>https://blog.csdn.net/gdymind/article/details/82558897</link><guid>https://blog.csdn.net/gdymind/article/details/82558897</guid><author>gdymind</author><pubDate>Sun, 09 Sep 2018 15:39:07 +0800</pubDate><description><![CDATA[本文为《图像处理中的数学修炼》一书第8章第一节的笔记

按理说这些基础芝士应该挺熟的了，但再来看看还是有不少收获，尤其是眼睛那个部分。

颜色与眼睛

从产生上说，颜色是光作用与人眼的结果。人能感受的波长范围内的光波叫可见光。

人眼中有两种感受颜色的细胞——锥状细胞和棒状细胞（也叫杆状细胞）。其中： 
1. 锥状细胞有三种，每一种都有自己主要（注意不是唯一）能感受的颜色。 
这三种分别能感受红色...]]></description><category></category></item><item><title><![CDATA[网络可视媒体的智能计算-胡事民]]></title><link>https://blog.csdn.net/gdymind/article/details/82558003</link><guid>https://blog.csdn.net/gdymind/article/details/82558003</guid><author>gdymind</author><pubDate>Sun, 09 Sep 2018 14:16:42 +0800</pubDate><description><![CDATA[本文为胡事民教授在山大做报告的笔记，现场见下图： 


可视媒体是承载视觉信息的媒体类型，如图像、视频等，它具有网络化、海量和无序涌现等特征。

可视媒体计算的研究意义

可视媒体作为一种信息承载的介质，是用来表达语义信息的。那么就有一种介质与信息之间相互转化的问题。转化方向正反两种，举个栗子说明一下： 
1. 可视媒体→→\rightarrow语义信息：比如看到画面，理解其中发生的事件、各主题之...]]></description><category></category></item><item><title><![CDATA[从卷积到residual dense network: Convolution, ResNet, DenseNet and ResDenseNet解读]]></title><link>https://blog.csdn.net/gdymind/article/details/82498118</link><guid>https://blog.csdn.net/gdymind/article/details/82498118</guid><author>gdymind</author><pubDate>Fri, 07 Sep 2018 15:59:32 +0800</pubDate><description><![CDATA[Convolution

把各个*input feature maps分别经过一个kernel的卷积结果相加，得到一个* output feature map：





Output feature map’s shape



Convolution layer

Convolution layer的output feature map的shape与下列变量有关： 
- input featu...]]></description><category></category></item><item><title><![CDATA[PyTorch中的PixelShuffle]]></title><link>https://blog.csdn.net/gdymind/article/details/82388068</link><guid>https://blog.csdn.net/gdymind/article/details/82388068</guid><author>gdymind</author><pubDate>Tue, 04 Sep 2018 18:13:02 +0800</pubDate><description><![CDATA[感性认识

一般的convolution操作会使feature map变小， 
但当我们的stride=1r&amp;amp;lt;1stride=1r&amp;amp;lt;1\text{stride} = \frac{1}{r} &amp;lt; 1时，可以让卷积后的feature map变大，这个新的操作叫做sub-pixel convolution，具体原理可以看Real-Time Single Image and Video Sup...]]></description><category></category></item><item><title><![CDATA[彻底搞懂Lab 颜色空间]]></title><link>https://blog.csdn.net/gdymind/article/details/82357139</link><guid>https://blog.csdn.net/gdymind/article/details/82357139</guid><author>gdymind</author><pubDate>Tue, 04 Sep 2018 00:53:31 +0800</pubDate><description><![CDATA[本文参考wikipedia，并加入了自己的理解，有不对的地方多多指教~

名称

在开始之前，先明确一下Lab颜色空间（Lab color space）的名字： 
- Lab的全称是CIELAB，有时候也写成CIE L*a*b* 
- 这里的CIE代表International Commission on Illumination（国际照明委员会），它是一个关于光照、颜色等的国际权威组织。



...]]></description><category></category></item><item><title><![CDATA[PyTorch中的Dataset、Dataloader和_DataloaderIter]]></title><link>https://blog.csdn.net/gdymind/article/details/82226509</link><guid>https://blog.csdn.net/gdymind/article/details/82226509</guid><author>gdymind</author><pubDate>Thu, 30 Aug 2018 19:16:05 +0800</pubDate><description><![CDATA[Dataset

Pytorch中数据集被抽象为一个抽象类torch.utils.data.Dataset，所有的数据集都应该继承这个类，并override以下两项： 
- __len__：代表样本数量。len(obj)等价于obj.__len__()。 
- __getitem__：返回一条数据或一个样本。obj[index]等价于obj.__getitem__。建议将节奏的图片等高负载的操作放...]]></description><category></category></item><item><title><![CDATA[Autograd：Pytorch 中的自动微分机制讲解]]></title><link>https://blog.csdn.net/gdymind/article/details/82224011</link><guid>https://blog.csdn.net/gdymind/article/details/82224011</guid><author>gdymind</author><pubDate>Thu, 30 Aug 2018 16:43:45 +0800</pubDate><description><![CDATA[本文翻译、整理自Autograd官方documentation

本文讲解了Autograd——pytorch中用于自动求微分的模块。下面的内容不需全部掌握，但读一下还有有助于加强理解的。

在backward的过程中排除一部分子图

Tensor的属性requires_grad代表它是否需要求梯度。注意除了这个属性除了可以被显式地设置性之外，还会被一个规则所定义：

如果一个Tensor AAA...]]></description><category></category></item><item><title><![CDATA[Ubuntu配置GPU版本pytorch环境（含NVIDIA驱动+Cuda+Cudnn）]]></title><link>https://blog.csdn.net/gdymind/article/details/82153643</link><guid>https://blog.csdn.net/gdymind/article/details/82153643</guid><author>gdymind</author><pubDate>Tue, 28 Aug 2018 19:56:29 +0800</pubDate><description><![CDATA[本文更新于2018年8月

概述

步骤如下： 
1. 安装Ubuntu 
2. 安装NVIDIA 显卡驱动 
2. 安装NVIDIA Cuda 
3. 安装NVIDIA CuDNN 
4. 安装GPU版本的PyTorch



安装Ubuntu



系统版本选择

之前pytorch是不支持Windows的，现在貌似是支持了，但我们还是选择Ubuntu。注意Ubuntu的版本要与cuda兼容，...]]></description><category></category></item><item><title><![CDATA[OpenGL中的异步缓存传输Asynchronous Buffer Transfers]]></title><link>https://blog.csdn.net/gdymind/article/details/81186907</link><guid>https://blog.csdn.net/gdymind/article/details/81186907</guid><author>gdymind</author><pubDate>Tue, 24 Jul 2018 16:19:13 +0800</pubDate><description><![CDATA[本文介绍在OpenGL中buffer的异步传输，翻译、摘抄自OpenGL Insights Chapter 22。

目前更新到第三节，待续（后面还没看懂）

Terminology

为了后文表述方便，现说明一些要使用术语： 
1. GPU被称作device 
2. 当调用OpenGL functions，相关命令会放入一个队列队列异步地依次执行，这个队列叫device command queu...]]></description><category></category></item><item><title><![CDATA[LearnOpenGL.com笔记]]></title><link>https://blog.csdn.net/gdymind/article/details/80666188</link><guid>https://blog.csdn.net/gdymind/article/details/80666188</guid><author>gdymind</author><pubDate>Tue, 12 Jun 2018 15:35:54 +0800</pubDate><description><![CDATA[* 本文用作学习learnOpenGL.com的备忘

1. Hello Triangle


Rendering pipeline（蓝色部分可编写shader程序）: 
some primitives: 
GL_LINES:  Vertices 0 和1 是一条线，Vertices 2 and 3 是一条线，依次类推。
GL_LINE_STRIP: 所有相邻点组成一条线。
GL_LINE_LOO...]]></description><category></category></item><item><title><![CDATA[线性代数及其应用笔记]]></title><link>https://blog.csdn.net/gdymind/article/details/80466465</link><guid>https://blog.csdn.net/gdymind/article/details/80466465</guid><author>gdymind</author><pubDate>Sun, 27 May 2018 01:00:21 +0800</pubDate><description><![CDATA[线代最近好多地方都要用到，然而之前学的太渣啦，这次复yu习xi一遍记一下，方便之后查阅~

第1章 线性代数中的线性方程组


线性方程组等价⇔⇔\Leftrightarrow解集相同⇔⇔\Leftrightarrow增广矩阵行等价
线性方程组的解：null/one/infinite
线性方程组相容：有解（one/infinite）
行初等变换： 
倍加：加上另一行的倍数
对换：两行互换
倍乘：一...]]></description><category></category></item><item><title><![CDATA[[kuangbin带你飞]专题十六A-K KMP & 扩展KMP & Manacher  题目分析]]></title><link>https://blog.csdn.net/gdymind/article/details/78516565</link><guid>https://blog.csdn.net/gdymind/article/details/78516565</guid><author>gdymind</author><pubDate>Mon, 13 Nov 2017 02:03:15 +0800</pubDate><description><![CDATA[[kuangbin带你飞]专题十六 KMP &amp; 扩展KMP &amp; Manacher 题目分析，含源码]]></description><category></category></item></channel></rss>