自动驾驶之眼-摄像头模组介绍
摄像头对于ADAS的重要性不言而喻，最近在进行域控制器摄像头模组的接口设计，发现网上的资料和描述口径不一，关于RAW Data的传输也各有说法，本着共产主义精神，我融会贯通了一下数据传输和接口定义，为汽车域控制器关于摄像头模组的挑选和接口设计提供了一定参考。内容比较浅显，适合新手阅读。如下图所示，镜头(Lens)+图像传感器(Image Sensor)+图像信号处理器(Image Signal Processor, ISP)+串行器(Serializer)是摄像头最基本的结构框图。一般步骤是，镜头采集到物
PyTorch(1)：安装和基本函数介绍
PyTorch(1)：安装和基本函数介绍PyTorch学习笔记。内容包含神经网络的介绍，PyTorch的安装、基本函数等内容。PyTorch安装PyTorch官网：https://pytorch.org/ （2020/6/22）conda install pytorch torchvision cudatoolkit=10.2 -c pytorchTorch vs Numpytorch ≈ 神经网络中的numpynp_data = np.arange(6).reshape((2, 3))
PyTorch(2)：搭建神经网络
PyTorch(2)：搭建神经网络主要内容是通过Pytorch进行简单神经网络的搭建。关系拟合（回归） Regressionimport torchimport torch.nn.functional as Fimport matplotlib.pyplot as pltx = torch.unsqueeze(torch.linspace(-1，1，100)，dim=1) # x data (tensor)，shape=(100，1)y = x.pow(2) + 0.2*torch.ra
pytorch神经网络实现
目录pytorch神经网络实现卷积神经网络(CNN)卷积池化(pooling)流行的CNN结构PyTorch搭建CNNRNN循环神经网络LSTM RNNPyTorch实现RNN自编码（Autoencoder）MNIST实战GAN生成对抗网络(Generative Adversarial Networks)pytorch神经网络实现包括CNN、RNN、LSTM等神经网络的介绍以及PyTorch实现。卷积神经网络(CNN)CNN(Convolutional Neural Network)卷积“卷积
train_test_split 参数详解
train_test_split 参数详解简单用法如下：from sklearn.model_selection import train_test_splitfrom sklearn.datasets import load_irisiris = load_iris()print(iris.data.shape)print(iris.DESCR)(150, 4).. _iris_dataset:Iris plants dataset--------------------**D
强化学习（Reinforcement learning）综述
文章目录Reinforcement learning 综述强化学习的分类环境（Model-free,Model-based）Based(Policy-Based RL & Value-Based RL)回合更新和单步更新在线学习和离线学习强化学习理论基础马尔可夫决策过程（Markov Decision Processes,MDPs）基本概念MDP 求解Bellman期望方程Bellman方程的分析状态价值函数和动作价值函数的关系最优方程最优价值函数（optimal state-value funct
StandardScaler(sklearn)机器学习中的归一化
StandardScaler(sklearn)参数详解为什么要归一化归一化后加快了梯度下降求最优解的速度：如果机器学习模型使用梯度下降法求最优解时，归一化往往非常有必要，否则很难收敛甚至不能收敛。归一化有可能提高精度：一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）。from sklearn.preprocessing import Standard
机器学习模型性能衡量指标(回归)以及Python实现
文章目录机器学习模型性能衡量指标(回归)以及Python实现平均绝对误差(Mean Absolute Error, MAE)MSE 均方误差(Mean Squared Error, MSE)RMSE 均方根误差(Mean Squared Error, RMSE)R2(R-Square)校正决定系数(Adjust R-Square)机器学习模型性能衡量指标(回归)以及Python实现平均绝对误差(Mean Absolute Error, MAE)MAE=1m∑i=1m∣(yi−yi^)∣MAE = \
超参数网络搜索(GridSearchCV)
超参数网络搜索由于各个新模型在执行交叉验证的过程中间是相互独立的，所以我们可以充分利用多核处理器（Multicore processor）甚至是分布式的计算资源来从事并行搜索，节省运算时间。# 导入20类新闻文本抓取器from sklearn.datasets import fetch_20newsgroupsimport numpy as npnews = fetch_20newsgroups(subset='all')print(news.DESCR).. _20newsgroups_
Hello, Tensorflow
Hello, TensorflowTensorflow是广泛使用的实现机器学习以及其它涉及大量数学运算的算法库之一。Tensorflow由Google开发，是GitHub上最受欢迎的机器学习库之一。Google几乎在所有应用程序中都使用Tensorflow来实现机器学习。 例如，如果您使用到了Google照片或Google语音搜索，那么您就间接使用了Tensorflow模型。它们在大型Google硬件集群上工作，在感知任务方面功能强大。Tensowflow内部有自己定义的常量、变量、数据操作等要素，它使
Kaggle (digit recognizer) PCA+SVM
下载minst数据集kaggle competitions download -c digit-recognizer包含两个文件：train.csvtest.csvimport pandas as pdimport matplotlib.pyplot as pltimport numpy as nptrain = pd.read_csv('../../../datasets/digit-recognizer/train.csv')print(train.shape)test .
深度学习Python基础库的使用
目录Python编程库Why Python?Python机器学习的优势Numpy库1.数组创建2.数组的计算3.数组的索引与切片pandas库1.Series2.DataFramePIL库Matplotlib库Python编程库Python被大量应用在数据挖掘和深度学习领域，其中使用极其广泛的是Numpy、pandas、Matplotlib、PIL等库。Why Python?解释型语言（Interpreted Languages）免费试用跨平台执行Python机器学习的优势方便调试的
paddle2.0实现DNN（minst数据集）
文章目录paddle2.0实现DNN（minst数据集）Python依赖库数据准备数据集介绍train_reader和test_reader网络配置模型预测图片预处理使用Matplotlib工具显示这张图像并预测paddle2.0实现DNN（minst数据集）实践总体过程和步骤如下图：#导入需要的包import osimport zipfileimport randomimport jsonimport numpy as npfrom PIL import Imageimport m
win10打开休眠模式
win10打开休眠模式模式介绍Windows系统中，有这样几种电源模式：关机、休眠、睡眠以及快速启动。这里主要跟大家说的是睡眠和休眠的区别，电脑在睡眠状态时，会切断内存之外的设备电源，电脑会进入睡眠状态，当再次唤醒电脑后，不会影响睡眠前保存好的工作状态。而休眠则是电脑系统自动将内存中的数据全部转存到硬盘上，并切断对所有设备的供电。当电脑恢复时，系统会将文件内容读入内存中，不会丢失。如果短时间离开电脑，要使用睡眠功能，既能省电还可以快速恢复工作状态。当计算机进入休眠状态后，内存中的内容将保存到硬盘上。当计
CNN卷积神经网络_Lenet详解_paddle2.0实现
CNN卷积神经网络卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invar
交叉熵以及通过Python实现softmax_交叉熵（tensorflow验证）
文章目录交叉熵（Cross Entropy）信息论相对熵交叉熵机器学习中的交叉熵为什么要用交叉熵做损失函数？分类问题中的交叉熵softmaxsoftmax_cross_entropy求导Python实现单分类softmax_交叉熵交叉熵（Cross Entropy）交叉熵（cross entropy）是深度学习中常用的一个概念，一般用来求目标与预测值之间的差距。交叉熵（Cross Entropy）是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。语言模型的性能通常用交叉熵和
ResNet详解以及Tensorflow2实现(resnet_v1/v2_34/50/101)
ResNet_Tensorflow2实现ResNet引入在VGG-19中，卷积网络达到了19层，在GoogLeNet中，网络史无前例的达到了22层。网络层数越高包含的函数空间也就越大，理论上网络的加深会让模型更有可能找到合适的函数。但实际上，网络的精度会随着网络的层数增多而增多吗？在深度学习中，网络层数增多一般会伴着下面几个问题计算资源的消耗模型容易过拟合梯度消失/梯度爆炸问题的产生根据实验表明，随着网络的加深，优化效果反而越差，测试数据和训练数据的准确率反而降低了。这是由于网络的加深会
forget tf1! tensorflow2的数据类型，tensor属性参数以及创建方法
tensorflow2import tensorflow as tfimport numpy as nptensorflow数据类型constant（可修改）a = tf.constant(1)print(a)a = tf.constant(2)print(a)tf.Tensor(1, shape=(), dtype=int32)tf.Tensor(2, shape=(), dtype=int32)tf.constant(1.)<tf.Tensor: shape=(),
MobileNetV1/V2详解_以及MobileNetV2_Tensorflow2实现
MobileNet v1/v2卷积神经网络（CNN）已经普遍应用在计算机视觉领域，并且已经取得了不错的效果。图1为近几年来CNN在ImageNet竞赛的表现，可以看到为了追求分类准确度，模型深度越来越深，模型复杂度也越来越高，如深度残差网络（ResNet）其层数已经多达152层。然而，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型是难以被应用的。首先是模型过于庞大，面临着内存不足的问题，其次这些场景要求低延迟，或者说响应速度要快，想象一下自动驾驶汽车的行人检测系统如果速度很慢会发生什么可怕
今日推荐
周排行