HUII's Blog

介绍这是Flet的页面布局介绍，来源于官网文档：Layout | Flet 页面布局 PagePage是View控件的容器，Page实例和和根视图是在新用户会话启动时自动创建的。 属性auto_scroll当属性值为True，滚动条会自动滚动至页面尾部。 appbar显示页面顶部导航栏。 123456789101112131415161718192021222324252627282930import flet as ftdef main(page: ft.Page): def check_item_clicked(e): e.control.checked = not e.control.checked page.update() page.appbar = ft.AppBar( leading=ft.Icon(ft.icons.PALETTE), leading_width=40, title=ft.Text("AppBar Example"), center_t ...

介绍这个是Flet官网上的第一个Demo。地址：Create To-Do app in Python with Flet | Flet 在线演示：ToDo App (flet-todo.fly.dev) github完整代码：examples/todo.py at main · flet-dev/examples (github.com) Todo App整体效果 环境准备环境参考：Flet，一款基于Python的跨平台前端框架 1pip install flet 开始创建todo.py文件，实现基本页面： 1234567891011121314import flet as ftdef main(page: ft.Page): # 按钮功能 def add_clicked(e): page.add(ft.Checkbox(label=new_task.value)) new_task.value = "" page.update() # new_task = ft.TextField(hint_ ...

前言Faster R-CNN可以算是深度学习目标检测领域的祖师爷了，至今许多算法都是在其基础上进行延伸和改进的，它的出现，可谓是开启了目标检测的新篇章。【深度学习】详解Faster-R-CNN_风度78的博客-CSDN博客 论文与源码原论文：1506.01497.pdf (arxiv.org) 代码链接：jwyang/faster-rcnn.pytorch: A faster pytorch implementation of faster r-cnn (github.com) Faster R-CNN论文 Faster-R-CNN下载 摘要 摘要 论文开篇提到最先进的目标检测网络依赖于区域建议算法来假设目标位置。前人的工作，诸如SPPnet和Fast R-CNN的加速工作都在“检测网络”上，“区域候选”的计算则成了性能瓶颈。 Faster R-CNN论文提出了能够与检测网络分享全图卷积特征的RPN（Region Proposal Network，区域候选网络），能够几乎零成本地实现区域候选。RPN是一个全卷积网络，它同时预测每个位置的对象边界和得分。 RPN被端到端地训练以生成 ...

简介官网：The fastest way to build Flutter apps in Python | Flet github：flet-dev/flet: Flet enables developers to easily build realtime web, mobile and desktop apps in Python. No frontend experience required. (github.com) Flet The fastest way to build Flutter apps in Python | Flet Flet 是一个框架，可以用它构建交互式多用户 Web、桌面和移动应用程序，而无需具有前端开发经验。可以使用基于 Google 的 Flutter 的 Flet 控件为程序构建一个 UI。Flet 不只是“包装”Flutter 小部件，而是通过组合较小的小部件、隐藏复杂性、实现 UI 最佳实践、应用合理的默认值来添加自己的“意见”——所有这些都是为了确保您的应用程序看起来很酷和专业，无需额外的努力。Introduction | Flet ...

前言Fast R-CNN在VOC-07数据集上将检测精度mAP从58.5%提高到70.0%，检测速度比R-CNN提高了200倍。 从论文页数来看，Fast R-CNN仅9页，与R-CNN的21页相比，也“精简”了不少。 论文与源码原论文：Fast R-CNN (thecvf.com) 代码：rbgirshick/fast-rcnn: Fast R-CNN (github.com) Fast R-CNN论文 Girshick_Fast_R-CNN_ICCV_2015_paper下载 摘要 摘要 从摘要可以看出，Fast R-CNN采用了几项创新技术来提升训练与测试的速度和精度，与R-CNN相比，Fast R-CNN采用更深的VGG16，但训练速度快了9倍，测试速度快了213倍，并且获得了更高的均值平均精度（Mean Average Precision）。 结论 结论 Fast R-CNN是在R-CNN 和 SPPnet基础上进行升级的，并且提出“稀疏目标的建议似乎可以提高探测器的质量”。 介绍 现况介绍 作者认为前期的相关工作存在缓慢和不优雅的问题，主要原因是需要对对象（o ...

前言由于基于深度学习的方法较传统方法相比，准确率有了较明显的提升，故只学习基于深度学习方法的目标检测。 RCNN系列算法将从论文着手，结合其他资料，学习R-CNN、 Fast R-CNN、Faster R-CNN。 R-CNN的全称是Region-CNN，是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN)，线性回归，和支持向量机(SVM)等算法，实现目标检测技术。[ref] R-CNN_百度百科 (baidu.com)[/ref] 论文与源码原论文：1311.2524.pdf (arxiv.org) 代码：rbgirshick/rcnn: R-CNN: Regions with Convolutional Neural Network Features (github.com) R-CNN论文 R-CNN下载 摘要 摘要 摘要首先开门见山地指出与之前传统方法相比，R-CNN一下子将平均精度提高了30%（至53.3%），可见其有效性。 指出了本文的两个要点：① 高容量卷积神经网络自底向上，以便定位和分割对象；② 当标记的训练数据稀少时，用于辅助任务的 ...

目标检测任务概述机器视觉的中心任务是从图像中解析出可供计算机理解的信息。根据后续任务的需求，可将其分为四个主要层次：分类（Classification）、定位（Location）、检测（Detection）、分割（Segmentation）必读！计算机视觉四大基本任务(分类、定位、检测、分割) (qq.com)。 分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d) 分类任务关心图像整体，给出整张图像的内容描述即可，而检测则关心特定物体目标，要求同时获得目标类别信息和位置信息。 图像检测 发展沿革 目标检测发展沿革 目标检测究竟发展到了什么程度？| 目标检测发展22年 - 知乎 (zhihu.com) 阶段一：传统目标检测方法传统检测算法流程可概括如下： 选取感兴趣区域，选取可能包含物体的区域 对可能包含物体的区域进行特征提取 对提取的特征进行检测分类 传统检测流程 较为知名的传统方法有：Viola Jones Detectors、HOG Detector、Deformable Part-based Model (DPM)[目标检测的传统方法概述 - ...

更新中。。 概述本书介绍读者对象： 想要对机器学习进行深入学习的相关人士；想要对概率统计进一步深入系统地学习的学生和业内人士；金融量化等数据分析行业的从业者；理工科专业高年级本科生和研究生。 本书围绕机器学习算法中涉及的概率统计知识展开介绍，沿着概率思想、变量分布、参数估计、随机过程和统计推断的知识主线进行讲解，结合数学的本质内涵，用浅显易懂的语言讲透深刻的数学思想，帮助读者构建理论体系。同时，作者在讲解的过程中注重应用场景的延伸，并利用Python工具无缝对接工程应用，帮助读者学以致用。 全书共5章。 第1章以条件概率和独立性作为切入点，帮助读者建立认知概率世界的正确视角。 第2章介绍随机变量的基础概念和重要分布类型，并探讨多元随机变量间的重要关系。 第3章介绍极限思维以及蒙特卡罗方法，并重点分析极大似然估计方法以及有偏无偏等重要性质，最后拓展到含有隐变量的参数估计问题，介绍EM算法的原理及其应用。 第4章由静态的随机变量过渡到动态的随机过程，重点介绍马尔可夫过程和隐马尔可夫模型。 第5章聚焦马尔可夫链-蒙特卡罗方法，并列举实例展示Metropolis-Hastings和Gibbs的 ...

【已完结】 概述本书介绍数学是机器学习绕不开的基础知识，传统教材的风格偏重理论定义和运算技巧，想以此高效地打下机器学习的数学基础，针对性和可读性并不佳。本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容，并分析推荐系统和图像压缩两个实践案例，在介绍完核心概念后，还将线性代数的应用领域向函数空间和复数域中进行拓展与延伸；同时极力避免数学的晦涩枯燥，充分挖掘线性代数的几何内涵，并以Python语言为工具进行数学思想和解决方案的有效实践。 本书适合实践于数据分析、信号处理等工程领域的读者，也适合在人工智能、机器学习领域进行理论学习和实践，希望筑牢数学基础的读者，以及正在进行线性代数课程学习的读者阅读。 (摘自：机器学习线性代数基础 (豆瓣) (douban.com)) 阅读目的掌握机器学习数学基础，记录学习难点。 相关资料《机器学习线性代数基础：Python语言描述》学习资料——链接：https://eyun.baidu.com/s/3c3QH00S ...