白拾的笔记本

Time domain Sound is a wave of pressure travelling through a medium, such as air. We can plot the variation in pressure (captured by microphone) against time to visualise the waveform. Sound source Air flow from the lungs is the power source for generating a basic source of sound either using the vocal folds or at a constriction made anywhere in the vocal tract. somehthing about pressure with our vocal folds, the air flow is slow, its only the power source of sound, the pressure change is the ...

Waveform The waveform and a definition of the fundamental period. Fundamental period is the lowest frequency of a vibration object. Types of waveform Simple, complex, periodic, aperiodic, transient, and continuous waveforms. Spectrum The spectrum, its spectral envelope, and harmonics (Frequency components of a complex periodic sound, peaks in spectrum, $H_1$ has the same frequency value to $F_0$, every $H$ is multiple of $H_1$), and formant. Spectrogram A 3-dimensional figure plotting amou ...

Introduction to the International Phonetic Alphabet A set of symbols with which any language can be transcribed. Interactive IPA Chart. Vocal anatomy We use a lot more than just our mouth to produce speech Consonants Voice, place, manner which (voice or voiceless) -> where (at voice tract) -> how strong (constriction level) The first consonant chart contains symbols for consonants produced with the pulmonic airstream mechanism. Non-pulmonic consonants includes symbols representi ...

Sensors for robot perception Sensors: Sensor is a device that measures or detects a property of the environment, or changes to a property. Categorization of sensors: Exteroceptive (extero or surroundings), Proprioceptive (proprio or internal). Type of Sensor Feature Weakness Future Trend More words Essential for robot to perceive environment with its rich semantics. ? HD, wide dynamic ranges Comparison Metrics: Resolution, Field of view, Dynamics range This simulates human binocu ...

待办清单： 网络整体：x_net.py 特征融合网络层：x_net_fusion_layers.py 网络配置文件：xnet 开发日志： 日志01 使用pycharm的SSH连接docker，不如设置pycharm的编译器为docker中的python。这样做的优势有三： 不需要通过ssh传输图像，pycharm的运行速度更快。 因为docker同步了工作目录，不需要使用pycharm来同步，节省时间。 不需要重新弄配置pycharm。 需要修改的有两个位置，一个是configs中的配置文件，一个是mmdet3d中的models相关文件。参照官方教程：教程 1: 学习配置文件和教程 4: 自定义模型 整个框架的思路是从配置文件中去找对应的模型，程序会在一开始把模型全部注册到一个位置，然后使用配置文件中的type关键字去搜索，然后使用其他的作为参数输入，具体需要什么参数由模型决定。 阅读代码的时候发现，框架对自编码器有一定的支持，这一点在完成主干网络的构建后深入调查一下。 日志02 注意到代码中 fusion layer 本来是分出来的，但是因为代码复用的问题，实际上并没有 ...

说明 本页面无手机端适配，强制缩放阅读。 使用纯html格式，保存教学用ppt，添加了部分个人笔记。 目录工作正常，可以跳转。 b{color:rgba(0,0,0,0.75)} PaddlePaddle概述 PaddlePaddle概述 PaddlePaddle概述 PaddlePaddle简介 为什么要学PaddlePaddle 什么是PaddlePaddle PaddlePaddle优点 PaddlePaddle缺点 国际竞赛获奖情况 行业应用 课程概览 学习资源 知识讲解 什么是PaddlePaddle Ø PaddlePaddle（Parallel Distributed Deep Learning，中文名飞桨）是百度公司推出的开源、易学习、易使用的分布式深度学习平台 Ø 源于产业实践，在实际中有着优异表现 Ø 支持多种机器学习经典模型 知识讲解 为什么学习PaddlePaddle Ø 开源、国产 Ø 能更好、更快解工程决实际问题 ...

说明 本页面无手机端适配，强制缩放阅读。 使用纯html格式，保存教学用ppt，添加了部分个人笔记。 目录工作正常，可以跳转。 b{color:rgba(0,0,0,0.75)} TensorFlow概述 Tensorflow概述 Tensorflow概述 Tensorflow简介 什么是Tensorflow Tensorflow的特点 Tensorflow的发展历史 Tensorflow体系结构 体系结构概述 单机模式与分布式 后端逻辑层次 基本概念 张量 数据流 操作 图和会话 变量和占位符 Tensorflow安装 案例1：快速开始 案例2：张量相加 TensorFlow简介 知识讲解 什么是Tensorflow • TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护的 开源深度学习平台，是目前人工智能领域主流的开发平台，在全世界有着广泛的用户群体。 知识讲解 Tensorflow的特点 • 优秀的构架设计，通过 ...

注意本教程OpenCV版本过旧。 说明 本页面无手机端适配，强制缩放阅读。 使用纯html格式，保存教学用ppt，添加了部分个人笔记。 目录工作正常，可以跳转。 b{color:rgba(0,0,0,0.75)} 计算机视觉基础 计算机视觉基础 计算机视觉基础 计算机视觉概述 计算机视觉的应用 什么是计算机视觉 计算机视觉相关学科 人眼成像原理 计算机成像原理 数字图像处理基础 灰度级与灰度图像 图像采样与分辨率 彩色图像与色彩空间 颜色空间变化 常用图像处理技术 计算机视觉的应用 什么是计算机视觉 计算机视觉与人工智能 计算机视觉概览 知识讲解 什么是计算机视觉 • 计算机视觉在广义上是和图像相关的技术总称。包括图像的采集获取，图 像的压缩编码，图像的存储和传输，图像的合成，三维图像重建，图像增强，图像修复，图像的分类和识别，目标的检测、跟踪、表达和描述，特征提取，图像的显示和输出等等。 • 随着计算机视觉在各种场景的应用和发展，已有的图像技术也在不断的更 新和扩展。 ...

注意：全部代码为PaddlePaddle1版本的代码 Helloworld 1234567891011121314# helloworld示例import paddle.fluid as fluid# 创建两个类型为int64, 形状为1*1张量x = fluid.layers.fill_constant(shape=[1], dtype="int64", value=5)y = fluid.layers.fill_constant(shape=[1], dtype="int64", value=1)z = x + y # z只是一个对象,没有run,所以没有值# 创建执行器place = fluid.CPUPlace() # 指定在CPU上执行exe = fluid.Executor(place) # 创建执行器result = exe.run(fluid.default_main_program(), fetch_list=[z]) #返回哪个结果print(result) # result为多维张量 张量操作 ...

注意：此代码全部为TensorFlow1版本。 查看Tensorflow版本 1234567891011from __future__ import absolute_import, division, print_function, unicode_literals# 导入TensorFlow和tf.kerasimport tensorflow as tffrom tensorflow import keras# 导入辅助库import numpy as npimport matplotlib.pyplot as pltprint(tf.__version__) Helloworld程序 1234567# tf的helloworld程序import tensorflow as tfhello = tf.constant('Hello, world!') # 定义一个常量sess = tf.Session() # 创建一个sessionprint(sess.run(hello)) # 计算sess.close() 张量相加 123456789101112131 ...

[toc] OpenCV安装 执行以下命令安装opencv-python库（核心库）和opencv-contrib-python库（贡献库）。注意：命令拷贝后要合成一行执行，中间不要换行。 12345# 安装opencv核心库pip3 install --user opencv-python==3.4.2.16 --index-url https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host https://pypi.tuna.tsinghua.edu.cn# 安装opencv贡献库pip3 install --user opencv-contrib-python==3.4.2.16 --index-url https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host https://pypi.tuna.tsinghua.edu.cn OpenCV基本操作 读取、图像、保存图像 12345678910111213# 读取图像import cv2im = cv2.imrea ...

自定义感知机 123456789101112131415161718192021222324252627282930313233343536373839# 00_percetron.py# 实现感知机# 实现逻辑和def AND(x1, x2): w1, w2, theta = 0.5, 0.5, 0.7 tmp = x1 * w1 + x2 * w2 if tmp <= theta: return 0 else: return 1print(AND(1, 1))print(AND(1, 0))# 实现逻辑或def OR(x1, x2): w1, w2, theta = 0.5, 0.5, 0.2 tmp = x1 * w1 + x2 * w2 if tmp <= theta: return 0 else: return 1print(OR(0, 1))print(OR(0, 0))# 实现异或def XOR(x1, x2): s1 = not AND(x1, x2 ...

注：封面画师：新雨林-触站 说明 本页面无手机端适配，强制缩放阅读。 使用纯html格式，保存教学用ppt，添加了部分个人笔记。 目录工作正常，可以跳转。 b{color:rgba(0,0,0,0.75)} 卷积神经网络 卷积神经网络 卷积函数 离散卷积与多维卷积 什么是卷积神经网络 什么是卷积 卷积神经网络 卷积神经网络的用途 卷积运算 卷积运算的效果 案例2：图像卷积运算 卷积运算神经网络结构 典型CNN介绍 生活中的卷积 全连接神经网络的局限 卷积函数 知识讲解 什么是卷积 • “卷积”其实是一个数学概念，它描述一个函数和另一个函数在某个维度上 的加权“叠加”作用。函数定义如下： 其中，函数 f 和函数 g 是卷积对象，a 为积分变量，星号“*”表示卷积。公式所示的操作，被称为连续域上的卷积操作。这种操作通常也被简记为如下公式： 知识讲解 离散卷积与多维卷积 • 一般情况下，我们并不需要记录任意时刻的数据， ...

注：封面画师：新雨林-触站 说明 本页面无手机端适配，强制缩放阅读。 使用纯html格式，保存教学用ppt，添加了部分个人笔记。 目录工作正常，可以跳转。 b{color:rgba(0,0,0,0.75)} 反向传播 这里对反向传播的讲解比较奇怪，可能比较适合初学者理解。想要通过严谨的数学推导理解反向传播的同学，可以搜索一下。 反向传播算法 反向传播算法 什么是正向传播网络 什么是反向传播 反向传播算法 为什么需要反向传播 图解反向传播 反向传播计算 链式求导法则 案例1：通过反向传播计算偏导数 知识讲解 什么是正向传播网络 • 前一层的输出作为后一层的输入的逻辑结构，每一层神经元仅与下一层的 神经元全连接，通过增加神经网络的层数虽然可为其提供更大的灵活性，让网络具有更强的表征能力，也就是说，能解决的问题更多，但随之而来的 数量庞大的网络参数的训练，一直是制约多层神经网络发展的一个重要 瓶颈。 知识讲解 什么是反向传播 • 反向传播（Backpropagat ...

注：封面画师：新雨林-触站 说明 本页面无手机端适配，强制缩放阅读。 使用纯html格式，保存教学用ppt，添加了部分个人笔记。 目录工作正常，可以跳转。 b{color:rgba(0,0,0,0.75)} 损失函数与梯度下降 损失函数与梯度下降 损失函数 损失函数的作用 什么是损失函数 梯度下降 常用的损失函数 什么是梯度 梯度下降 导数与偏导数 学习率 梯度递减训练法则 梯度下降算法 损失函数 知识讲解 什么是损失函数 • 损失函数（Loss Function），也有称之为代价函数（Cost Function）， 用 来度量预测值和实际值之间的差异。 知识讲解 损失函数的作用 • 度量决策函数f（x）和实际值之间的差异。• 作为模型性能参考。损失函数值越小，说明预测输出和实际结果（也称期望 输出）之间的差值就越小，也就说明我们构建的模型越好。 学习的过程，就 是不断通过训练数据进行预测，不断调整预测输出与实际输出差异，使的损失值 ...