0%

2019年6月24日 下午12:08
Linux 服务器上建立用户并分配权限 - jiandanjinxin的专栏 - CSDN博客

  1. 详细讲解了chmod命令详细用法
    Linux查看GPU信息和使用情况 - 牧野的博客 - CSDN博客
  2. nvidia-smi
  3. watch -n 10 nvidia-smi
    centos中查看用户和用户组的命令 - KG-鲜血、汗水和眼泪 - OSCHINA
  4. 查看系统中有哪些用户:cut -d : -f 1 /etc/passwd
  5. 查看可以登录系统的用户:cat /etc/passwd | grep -v /sbin/nologin | cut -d : -f 1
  6. 查看用户操作:w命令(需要root权限)
  7. 查看某一用户:w 用户名
  8. 查看登录用户:who
  9. 查看用户登录历史记录:last
    每天一个linux命令(31): /etc/group文件详解 - peida - 博客园
  10. 组名:口令:组标识号:组内用户列表

2019年6月24日 下午8:48

粗浅的三维重建核心的总体理解:

  1. 三维重建核心:一共有两个,十分简单
    1. 用数学描述现实几何关系。用等式、等式组就可以表示这种关系。—-> 已经研究透的东西
    2. 等式组求解。——>已经研究透的东西
      1. 这里又将等数组用矩阵表示,也就是将几何关系用带未知参数的矩阵来表示。
      2. 最后就变成了矩阵的求解。
      3. 换个角度说:如果我们知道了矩阵(本质矩阵 基本矩阵 H矩阵),那么说明我们已经求出了各种点(二维点<->三维点)之间的转换方式,选取合适的矩阵乘就行了。
  2. 为什么效果不好的原因是:
    1. 在解不等式时,输入的数据不好:错误匹配点。
      1. 计算机视觉很多问题,原因都是因为输入不够好,其实视觉本身的模型早就研究透了
      2. 现在的计算机视觉研究,真的就像是给不好的输入擦屁股,并不是从模型上改进。
    2. 为了弥补这些问题,我们才有了我们常用的算法:RANSAC,Bundle Adjustment。这些算法并不是三维重建的本质,一开始我就拘泥于这些算法中,导致没有看透知识!
  3. ps:视觉几何真心水深,没有理论积累,没有前人指点,坑是填不完的,祝好(对大家,也是对自己)—白巧克力亦维心

总结对比

单目和多目的对比
SFM整体流程的讲解
单相机和多相机的ba的不同
三维几何视觉的核心问题

数学:

向量点乘(内积)和叉乘(外积、向量积)
关于齐次坐标的五个问题
本质矩阵,基本矩阵的区别
卡尔曼滤波器推导与解析
非线性优化
RANSAC-随机一致性采样
协方差

空间(几何)模型:

对极几何
HomographyHomography 知多少? - 知行合一 - CSDN博客
三角量测-2
三角量测-1:已知相机参数 + 匹配点 恢复 三维点坐标
SFM算法的影响因素
当物体移动小于一个像素的视差

坐标变换:

图像转换过程中的第4+1个坐标变换(畸变)
坐标系「内外参」的详细转换推导
外参矩阵的现实含义:相机坐标为啥是-R’*T

相机参数:

焦距f的再sfm中的作用
各个内参的解释

标定-畸变:

matlab进行相机标定
相机标定(写的好)
OpenCV畸变校正原理以及损失有效像素原理分析

特征:

sift

2019年6月24日 下午5:43
Cs231n Assignment1—SVM & Softmax (附带公式梯度推导) - 知乎

cs231n 课程作业 Assignment 1 - 张小彬的专栏 - CSDN博客

  1. 支持向量机和后面的 Softmax 分类器都是线性模型,这里只是损失函数不同罢了
    1. 我目前理解了SVM的,softmax我就先放放,以后有时间再看
    2. 笔记我写在笔记本上了
  2. 前向传播和计算 loss 的逻辑和 Softmax 分类器差不多,难点在于梯度的计算。因为要涉及矩阵对矩阵的梯度计算。

总结:

  1. 【主干】整个作业中,有两大重点:loss、dw计算+训练过程
    1. 其中loss、dw计算是最难的地方
    2. 训练过程体现的是利用loss、dw计算结果来迭代的过程
  2. 求导:
    1. 由于时间原因,我这里就不计算softmax和矩阵对矩阵的梯度计算
      1. 这里就是直接对公式表达进行求导,并不像VIO一样要通过左右扰动来近似求导
    2. 以后要自己要学的话,再新查矩阵对矩阵的梯度计算的资料吧

2019年6月24日 下午2:24

  • 课程的第一部分主要聚焦编译器前端技术
    • 也就是通常说的词法分析、语法分析和语义分析。我会带你了解它们的原理,实现一门脚本语言。
    • 会教你用工具提升编译工作的效率,还会在几个应用场景中检验我们的学习成果。
  • 第二部分主要聚焦编译器后端技术
    • 也就是如何生成目标代码和对代码进行优化的过程。
    • 会带你纯手工生成汇编代码,然后引入中间代码和后端工具 LLVM,最后生成可执行的文件能支持即时编译,并经过了多层优化。
  • 第三部分是对编译技术发展趋势的一些分析。
    • 这些分析会帮助你更好地把握未来技术发展的脉搏。比如人工智能与编译技术结合是否会出现人工智能编程?云计算与编译技术结合是否会催生云编程的新模式?等等。

2019年6月24日 下午1:35

2019年12月22日 下午11:37
以画降水图为例,学习线程和进程:python就不要使用多线程!!!

2019年9月11日 上午12:34
[链接]AI开发深度学习如何选择GPU?
以安装opencv为例,介绍软件的安装、执行、系统目录结构

2019年6月24日 下午1:35
页错误和交换区+操作系统访问函数局部变量
操作系统教程
计算机组成原理-哈工大-刘宏伟

2019年6月24日 下午1:31

作者:赵谜
链接: https://www.nowcoder.com/discuss/18
来源:牛客网

  1. 既然说到操作系统,面试官接着又问了个底层的问题:一个程序,访问函数中某个变量时,操作系统做了什么事情?我的第一反应是这个变量是存在可执行文件中,所以在访问这个变量的地址时,如果相应的页面加载到内存中了就可以直接访问,否则去交换区里头找;如果连交换区看里都没有,就上硬盘里找……说到这我才意识到,面试官问的是函数中的变量,即局部变量!刚才说的都是错的!哎哟我紧张得要命,赶紧解释说不好意思,刚才说错了……面试官很nice地说没关系,把你知道的说出来就行。我松了口气,把C语言运行时函数调用引起的栈帧变化解释了一下,访问局部变量就是访问fp加上相应偏移的地址。
  2. 面试官没有纠着我的错误,反而顺着问下去:刚才你说到页错误和交换区,那么操作系统如何处理页错误的呢?交换区的作用是什么?
    1. 我说有两种情况会引起页错误, 一种是访问不存在的页面、一种是对只读页面执行写操作 ,刚才说的页错误是缺页错误,就是第一种情况。
    2. 这种情况下,::被访问的内存地址会被写入CPU的寄存器中(CR2),操作系统可以访问这个寄存器从而知道引起缺页错误的内存地址,然后在交换区和硬盘中寻找相应的页面::。
    3. 交换区的作用是利用局部性原理,存放被操作系统置换出来的页面,在物理内存紧缺的时候,某些久不使用的页面就会被交换到交换区,这些页面仍然可能在将来被使用,放在交换区中可以更快地被找到 。

2019年6月22日 下午11:56

LXD官方:

  1. GitHub - lxc/lxd
  2. try it online
    1. LXD容器入门
      1. 这个里面有与虚拟机、docker的对比
    2. LXD容器进阶
  3. Linux Containers - LXD - Getting started - command line

其他的一些blog

为实验室建立公用GPU服务器 - 知乎

搭建实验室公共GPU服务器 | SHEN’s BLOG

Linux服务器多用户隔离访问 - IT专业打杂20年 - 博客园

在Ubuntu系统上安装及使用LXC和LXC UI的方法_Linux教程_云网牛站

linux中的容器与沙箱初探 — Atum

ZFS 与 LXC 与 GPU Passthrough,以及贵校超算队集群管理 · Lei’s Blog

2019年6月21日 下午7:24

2019年6月21日 下午7:24
Python yield 使用浅析 | 菜鸟教程
python中利用最小二乘拟合二次抛物线函数 - bitcarmanlee的博客 - CSDN博客
【python数据挖掘课程】十四.Scipy调用curve_fit实现曲线拟合
python逆序截取 - win_turn的博客 - CSDN博客

2019年7月8日 下午12:40
numpy - Python can’t multiply sequence by non-int of type ‘float’ - Stack Overflow
python – 如何将列表中的每个元素乘以数字? - 程序园
Numpy中Meshgrid函数介绍及2种应用场景 - lemonbit - 博客园
A geometric interpretation of the covariance matrix
numpy 基础 —— np.linalg - Zhang’s Wikipedia - CSDN博客
Numpy array数据的增、删、改、查实例
Python slice() 函数 | 菜鸟教程
批量读取文件夹下的图片并保存在一个四维数组中 - 比比的博客 - CSDN博客

2019年7月12日 上午11:33
Correct way to pause Python program - Stack Overflow
python - How to convert a PIL Image into a numpy array? - Stack Overflow
将Numpy数组保存为图像 - 纯净的天空
python中PIL.Image,OpenCV,Numpy图像格式相互转换 - JohnieLi的博客 - CSDN博客
将numpy.ndarray转换为OpenCV图像/新建图像 - feishicheng的博客 - CSDN博客
Python List 删除元素 - 在路上 - CSDN博客

2019年7月15日 下午9:05
operands could not be broadcast together with shapes - 子衿_青青的博客 - CSDN博客
Python之Numpy库常用函数大全(含注释) - TensorSense的博客 - CSDN博客
python找出数组中第2大的数字 - Together_CZ的博客 - CSDN博客
Python获取numpy数组中最大的5个元素(保持原顺序) - Python小屋 | 十条

2019年7月16日 上午11:32
Python求均值,方差,标准差 - Jak的博客 - CSDN博客

2019年7月17日 下午1:53
python中int() 按照“四舍五入”的方式取整 - 太白紫星的博客 - CSDN博客
python 向上取整ceil 向下取整floor 四舍五入round - 李皮筋 - 博客园

2019年7月18日 上午8:41
OpenCV图像缩放resize各种插值方式的比较 - pan_jinquan的博客 - CSDN博客

2019年7月19日 下午7:51
大一Python课的习题,输入两点,建立起直线方程y=kx+b。输入第3点,求点到直线的距离。这怎_百度知道

2019年7月20日 下午12:41
python – 一行if条件赋值 - 代码日志

2019年7月23日 下午4:30
python 字符串和整数,浮点型互相转换 - 陈富林 - 博客园
python拆分整型字符串并转为整型list - Apollo_zhanghongbo - 博客园

2019年7月30日 下午7:16
Python下图片的高斯模糊化的优化 - xlxw - 博客园
【python 对图片高斯模糊】 - CSDN

2019年8月7日 上午9:26
OpenCV学习笔记(9)addWeighted函数 - 海底小星星的博客 - CSDN博客
numpy.transpose — NumPy v1.17 Manual
numpy.unravel_index()函数的用法 - 简书
cv2.findContours()返回函数详解, findContours() - jjddss的专栏 - CSDN博客
OpenCV 学习笔记03 findContours函数 - 耕毅 - 博客园
contourArea函数 - qq_18343569的博客 - CSDN博客
python opencv minAreaRect 生成最小外接矩形 - lanyuelvyun的博客 - CSDN博客
Python+OpenCV教程16:模板匹配 - 简书
OpenCV 学习笔记(模板匹配) - Ivan 的专栏 - CSDN博客

2019年8月16日 下午5:40
Python中的几种矩阵乘法(转) - hezhiyao - 博客园
Python List index()方法 | 菜鸟教程
Python求均值,方差,标准差 - Jak的博客 - CSDN博客
Python求两点之间的直线距离(两种方法) - Ethan的博客 - CSDN博客

2019年9月4日 下午1:56
Python 全局变量与global关键字 - 不止于Coding - CSDN博客
Python 面向对象 | 菜鸟教程

Mac OS 终端利器 iTerm2 - 田园里的蟋蟀 - 博客园