原创 c++ 多態

1、重載和多態的關係: 多態分爲靜態多態和動態多態: 靜態多態 包含 重載和泛型編程 動態多態 ---》虛函數   2、重載案例: // // Created by luzhongshan on 10/18/19. // #includ

原创 PTGAN 帶轉換模型和分割模型

目錄 一、摘要: 二、MSMT17數據集介紹 三、實驗流程和結果: 三、流程復現: Paper 鏈接:Person Transfer GAN to Bridge Domain Gap for Person Re-Identificatio

原创 cyclegan、ptgan、stargan、數據不夠gan來湊

目錄 1、普通gan 2、cyclegan 3、ptgan 4、stargan 1、普通gan 2、cyclegan 兩個生成模型,兩個個判別器 注意: 兩個生成模型,兩個個判別器 兩個判別器,其中一個判別器只能判別斑馬,另外一個只

原创 C++:輸入一顆二叉樹的跟節點和一個整數,打印出二叉樹中結點值的和爲輸入整數的所有路徑。

題目描述 輸入一顆二叉樹的跟節點和一個整數,打印出二叉樹中結點值的和爲輸入整數的所有路徑。路徑定義爲從樹的根結點開始往下一直到葉結點所經過的結點形成一條路徑。(注意: 在返回值的list中,數組長度大的數組靠前) 提交代碼: class

原创 CNN的發展歷程

目錄 簡介  開山之作:LeNet 王者歸來:AlexNet 穩步前行:ZF-Net 越走越深:VGG-Nets 大浪推手:GoogLeNet 里程碑式創新:ResNet 繼往開來:DenseNet 簡介  卷積神經網絡可謂是現在深度學習

原创 李航,統計學習方法-感知機原理剖析及實現

統計學習方法|感知機原理剖析及實現  代碼寫思路很清晰,膜拜下 import numpy as np import time def loadData(fileName): ''' 加載Mnist數據集 :pa

原创 C++:堆排序

目錄 什麼是堆排序: 堆排序步驟: 步驟一 、構造初始堆。將給定無序序列構造成一個大頂堆 步驟二 、將堆頂元素與末尾元素進行交換,使末尾元素最大。 最後結果: 再簡單總結下堆排序的基本思路: 代碼:   堆排序是利用堆這種數據結構而設計的

原创 C++:從上往下打印出二叉樹的每個節點,同層節點從左至右打印。

題目描述 從上往下打印出二叉樹的每個節點,同層節點從左至右打印。 提交代碼: class Solution { public: vector<int> PrintFromTopToBottom(TreeNode* root) {

原创 卷積/反捲積後特徵圖尺寸計算

1、下采樣/卷積: 先定義幾個參數  輸入圖片大小 :W×W Filter大小 :k×k 步長 :S padding的像素數 :P 輸出圖片大小爲: N×N 於是我們可以得出:N = (W − k + 2P )/S+1          

原创 亞像素卷積和轉置卷積

CNN中對特徵圖進行上採樣常用的操作有轉置卷積和亞像素卷積 1、轉置卷積 轉置卷積(Transposed Convolution)又稱爲反捲積(Deconvolution) 先看下普通的卷積過程: 如下圖:    這是一個卷積核大小爲3

原创 卷積和通道的理解

1、卷積 將輸入和輸出用線連接起來,以可視化它們之間的依賴關係。線條的數量分別粗略地表示在空間和通道上執行卷積的計算成本。 最常用的 3x3 的卷積,可以通過上圖進行可視化。我們可以看到,在空間中,輸入和輸出是局部連接的,而在通道中則是

原创 輕量級網絡:Squeezenet、Mobilenet、Shufflenet

1、Squeezenet、 https://blog.csdn.net/u011995719/article/details/78908755 2、Mobilenet、 https://blog.csdn.net/kangdi7547/a

原创 快速排序:C++

 給定初始數組: 上面的圖,結合下面的代碼,簡單不贅述了。 #include<stdio.h> void quickSort(int a[], int left, int right) { int i = left; int

原创 卷積神經網絡中經典操作

CNN從2012年的AlexNet發展至今,科學家們發明出各種各樣的CNN模型,一個比一個深,一個比一個準確,一個比一個輕量。對近幾年一些具有變革性的工作進行簡單盤點,附帶這些操作的來源,全面瞭解一下CNN的前進歷程。 注:主要搬運了一些

原创 李航,統計學習方法- 樸素貝葉斯:

  ''' 數據集:Mnist 訓練集數量:60000 測試集數量:10000 ------------------------------ 運行結果: 正確率:84.3% 運行時長:103s ''' import n