hexo配置mermaid—butterfly主题
插件安装
npm install hexo-filter-mermaid-diagrams
修改配置文件
博客配置:_config.yml
_config.yml在根目录。
在末尾添加以下内容:
# mermaid chartmermaid: # mermaid url https://github.com/knsv/mermaid enable: true # default true version: "7.1.2" # default v7.1.2 options: # find more api options from https://github.com/knsv/mermaid/blob/master/src/mermaidAPI.js #startOnload: true // default true
搜索external_link字段并改为false
external_link: enable: false # Open external links in new tab field: site ...
Java技术栈学习路径
Java技术栈学习路径
flowchart TD
A1["语言选择"] --> A2("Java:岗位多,易找工作") & A3("Golang/C++:大厂常用,难度大")
A2 --> B1["Java基础"]
B1 --> B2("数据结构与算法<br>(Leetcode刷题)") & B3("计算机基础知识<br>(操作系统、网络、数据库)") & C1("Spring Boot 框架")
C1 --> C2["MyBatis / Hibernate 等ORM"]
C2 --> D1["小项目实践<br>(商城 / 抢票系统)"]
D1 --> E1["中级提升:进阶框架与组件"]
E1 --&g ...
西电雨课堂-学术规范与论文写作答案
前言:期末考试题目内容较多,可用Ctrl+F对题目进行检索。
第一章
章节习题
根据本周所讲内容,对于论文标题的撰写,以下描述正确的是
A、标题应尽量精炼简洁
B、标题需注意保护知识产权
C、标题应反映核心技术
什么样的论文能被称为优秀的论文
A、论文能开辟一个新的方向
B、论文能获得学术界重视,获得足够的引用
C、论文有一定的研究价值
D、论文有一定的创新意义
根据本周所讲内容,对于论文摘要的写,以下描述正确的是
A、摘要应覆盖文章的亮点及效果
B、摘要是标题的扩充
D、摘要应覆盖文章的出发点
关于论文写作,以下说法正确的是
A、写论文时应换位思考,从读者的角度出发
B、写论文时可以描述分析思路,从而扩充论文长度
C、一篇好的论文从初稿到终稿应至少改10遍
D、论文的语言表达应尽量简洁
根据本周所讲内容,关于总结和参考文献说法正确的是
A、以完成了所有工作的口气来撰写
B、可以提出未来研究方向
C、参考文献需要包括刊物名称、卷号、年份
D、总结需注意与摘要的区别
论文写作语法练习
Compared to the existing techniques, the proposed ...
西电雨课堂-科学道德与学风答案
前言:SB CSDN!!!
“科学道德与学风”期末考试从章节练习题中选取,不单独列出。可用Ctrl+F对题目进行检索。
第一章
1956年,谁撰写的《工程控制论》获国家科学一等奖
A、钱学森
中国在什么时间成功爆炸第一颗原子弹
A、1964年10月16日
中国在什么时间成功爆炸了氢弹
A、1967年6月17日
1999年国庆50周年前夕,中共中央、国务院、中央军委授予多少名科技工作者以每由515克纯金制成的“两弹一星功勋奖章”
C、23名
“科学没有国界,科学家却是有祖国的”是谁的名句
C、钱三强
在五、六十年代的中国,科学界素有“三钱”之称谓
A、钱学森
B、钱三强
C、钱伟长
王平主编的《微波传播》一书在哪一年初版
B、1977
第二章
《堆垒素数论》的作者是
B、华罗庚
获得中国第一个国家特等发明奖的科学家是
B、袁隆平
从50年代后期至60年代,李四光率领的勘探部门相继找到了哪些油田
A、大庆油田
B、大港油田
C、胜利油田
D、华北油田
居里夫人首次获得诺贝尔奖的时间是
B、1903
居里夫人获得过几次诺贝尔奖
B、2次
居里夫人分别获得了哪个类别的诺贝尔奖
A、化学奖 ...
西电通院微处理器大作业—数码管显示
实验要求
ARM Cortex-M3微处理器使用端口GPIOA控制一片七段数码管(共阳极),按键K连接GPIOA15管脚。
实现下述功能:使用查询方式查询按键状态,当按键打开时, GPIOA15管脚为“0” ,数码管显示0;当按键闭合时,GPIOA15管脚为“1”,数码管显示自己的学号,每隔1秒显示1位,显示结束后,数码管灯关闭。
实现流程
实验代码
写入中断向量
AREA RESET,CODE EXPORT __Vectors EXPORT Reset_Handler__Vectors DCD __initial_sp DCD Reset_Handler SPACE 39*4 IMPORT DISPLAY DCD DISPLAYReset_Handler PROC IMPORT main ldr r1,=main bx r1 B . ENDP NOP AREA STACK,DATA SPACE 0x100__initial_sp END
程序代码
#include "usrt1.h"void INIT(){ //使能GPIOA RCC ...
OpenMMLab-4
目标检测基础与 MMDet
目标检测简介
实例应用
人脸识别
身份识别、属性分析
…
智慧城市
垃圾检测、非法占道检测、违章停车检测、危险物体检测、自助服务、烟雾和火灾检测、标准着装检测、危险行为检测
…
自动驾驶
环境感知、路径规划与控制
…
下游视觉任务
文字之别、人体姿态估计
…
滑窗
Sliding Window
未完待续…
MMclassification与深度学习环境配置
由于本人之前没有接触过python和机器学习的相关知识,这次图像分类的配置过程可谓一路艰辛,本文当是一次避坑总结。
配置环境概览:
平台: Windows 11
Python: 3.9.16
GPU: 本地 GPU
CUDA: 11.7
cuDNN: 8.5
Pytorch: 1.13.1
OpenCV: 4.6.0
MMCV: 1.7.0
MMCls: 0.25.0
一、环境安装
整体环境框架如下:
1. CUDA 与 cuDNN 安装
网上有很多的教程,这里就不再赘述了,不过我以后有时间会补充上滴。这里推荐一个:【CUDA】cuda安装。
不过有一点要说明,在安装 CUDA 之前要先看一下自己的显卡最高支持的 CUDA 版本和适合于 Pytorch 的 CUDA 版本,版本安装错了后面会出现很多问题。
比如我的 NVIDIA GPU 最高支持到 CUDA 12.0,Pytorch 官网目前最高支持到 CUDA 11.7,因此选择 CUDA 11.7 就 OK。
2. ANACONDA 环境与 Pycharm 配置
2.1 ANACONDA 安装
ANA ...
OpenMMLab-3
MMcls 实例应用 & 超算平台的使用
MMClasification
深度学习模型的训练涉及几个方面:
1. 模型结构:模型有几层、每层多少通道数等等
2. 数据集:用什么数据训练模型: 数据集划分、数据文件路径、数据增强策略等等
3. 训练策略:梯度下降算法、学习率参数、batch size 训练总轮次、学习率变化策略等等
4. 运行时:GPU 、分布式环境配置等等
5. 一些辅助功能:如打印日志、定时保存 checkpoint 等等
在 OpenMMLab 项目中,所有这些项目都涵盖在一个配置文件中,一个配置文件定义了一个完整的训练过程:
1. model 字段定义模型
2. data 字段定义数据
3. optimizer、Ir_config 等字段定义训练策略
4. load_from 字段定义与训练模型的参数文件
配置文件的运作方式如下:
图像分类模型的构成:
图像分类模型的构建:
数据集的构建:
定义数据加载流水线:
配置学习策略:
预训练模型库:
MODEL ZOO SUMMARY
相关链接
MMLa ...
OpenMMLab-2
图像分类基础与 MMCls
图像分类概述
图像分类问题就是构建一个可实现的计算函数 $F: \mathbb{R}^{H \times W \times 3} \rightarrow \left{ 1, \cdots, K \right}$ ,且预测结果符合人类认知。但是难点就是图像内容是像素整体呈现出来的结果,和个别像素没有直接的关联,难以设计具体的算法实现。于是需要需要让机器从数据中学习。而机器学习也是有局限的,机器学习算法善于处理低维、分布相对简单的数据,而对于几十万维的复杂数据处理优势就不足了。我们需要更好的图像分类方法。
特征工程
在 90 年代,人们用计算梯度直方图 (Histogram of Oriented Gradients) 等一些人工算法将图片映射成相对低维的特征向量,这样极大的简化了数据的表达,同时也保留了内容相关的信息,使得机器学习得以处理图像分类问题。
但是这些也只是特征工程 + 机器学习算法实现图像分类,性能和效果还有很大的提升。
特征学习
之后人们开始探索从特征工程到特征学习的转变,特征学习其实也就是学习如何产生适合分类的特征,将多个简单 ...
OpenMMLab-1
初探深度学习与神经网络
计算机视觉四大基本任务
检测:如特定目标检测,通用目标检测等。
分割:如语义分割、实例分割、关键点检测等。
定位
分类
案例:虚拟主播,人脸识别,人体姿态跟踪等等。
MMLab算法框架
MMDetection:目标检测
MMClassification:图像分类
MMSegmentation:语义分割
MMPose &MMHuman3D:人体姿态
MMTracking:目标追踪
MMAction2:视频理解分析
MMOCR:文字检测
MMEditing:图像处理
……
算法框架
机器学习
为什么要进行机器学习
从数据中学习经验,来解决特定问题
一般步骤:问题——收集数据——拟合模型
机器学习的典型范式
1.监督学习:数据之间存在某种映射关系,如何基于有限的数据样本推断出这种关系?
2.无监督学习:数据自身是否存在某种“结构或"规律”?
3.强化学习:如何和环境交互,以获得最大收益?
机器学习的基本流程
1.训练:采集一些数据,标注它们的类别,从中选取一部分用于训练分类器,得到一个 ...