标签（空格分隔）： CASIA
- 本周工作进度，主要是看了VoxelNet一部分的论文，孟老师这边安排让着手阿里竞赛链接，一个思路跟上周看过的SqueezeSeg类似，我这边在ubuntu系统上配置了环境并拷贝了数据，代码的demo.py部分已经跑通，准备结合代码看下论文；
- 今天开周会，调整了对深度学习的学习方法把握，发现自己应该把重点放在通过对深度学习工具的使用，来完成一些实际性的工作，而不是对于工具本身的研究；
- 基于上一条的学习方向调整，之后的工作应该集中放在对工具的了解以及使用上，各种概念性的东西了解后可以入手开始修改代码；
- 总结：本周进度缓慢，学习效率有待提高，应该加强对论文阐述的内容做深入了解；
- 完成SqueezeSeg代码的训练部分；
- 研究SqueezeSeg的输入输出，尝试修改部分参数；
- 与王腾讨论合作把竞赛用数据转化成SqueezeSeg网络可用的数据，用该网络尝试训练；
Python 的第三方包成千上万，在一个 Python 环境下开发时间越久、安装依赖越多，就越容易出现依赖包冲突的问题。为了解决这个问题，开发者们开发出了 virtualenv，可以搭建虚拟且独立的 Python 环境。这样就可以使每个项目环境与其他项目独立开来，保持环境的干净，解决包冲突问题。
- 安装virtualenv
$ pip install virtualenv
- 添加参数
# 使用系统包
–system-site-packages
# 不包含任何包
-no-site-packages
- 指定版本
$ virtualenv -p /usr/bin/python2.7 venv
# 其中/usr/bin/python2.7是所要用到的python版本的安装路径
- 进入及退出虚拟环境
# 进入
$ source /venv/bin/activate
# 退出
$ deactivate
这是 virtualenv 的扩展工具，提供了一系列命令行命令，可以方便地创建、删除、复制、切换不同的虚拟环境。同时，使用该扩展后，所有虚拟环境都会被放置在同一个目录下。
- 安装virtualenvwrapper
pip install virtualenvwrapper
- 配置环境
# 添加以下代码到~/.bashrc(或~/.zshrc)
if [ -f /usr/local/bin/virtualenvwrapper.sh ]; then
export WORKON_HOME=$HOME/.virtualenvs
source /usr/local/bin/virtualenvwrapper.sh
fi
# .virtualenvs 是可以自定义的虚拟环境管理目录
$ source ~/.bashrc
# 使用 virtualenvwrapper
- 使用方法 mkvirtualenv 也可以使用 virtualenv 的参数，比如 –python 来指定 Python 版本。创建虚拟环境后，会自动切换到此虚拟环境里。虚拟环境目录都在 WORKON_HOME 里。
$ mkvirtualenv venv
# 列出虚拟环境
$ lsvirtualenv -b
# 切换环境
$ workon [虚拟环境名称]
# 查看环境安装的包
$ lssitepackages
# 复制虚拟环境
$ cpvirtualenv [source] [dest]
# 删除虚拟环境
$ rmvirtualenv [虚拟环境名称]
# 进入当前环境的目录(理论上用cd就可以)
$ cdvirtualenv [子目录名]
-
下载opencv完整源码并编译 OpenCV现使用Git作为版本管理，使用CMake来构建工程。 网站链接：http://opencv.org 源码地址：https://github.com/opencv/opencv
-
CMake环境搭建 OpenGL搭建下有Cmake安装 使用Cmake编译OpenCV
- 安装brew
$ ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
# 卸载
$ ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/uninstall)"
- 安装cmake
$ brew install cmake
- 安装wget
# 官方建议安装
$ brew install wget
- 安装opencv
$ brew install opencv
- Xcode配置
- Xcode新建一个基于Mac OS的Command Line Tool工程，语言选择C++；
- 在Targets->Build Settings里，我们要对Header Search Path和Library Search Path进行添加，以找到我们需要的库及头文件：
- 添加依赖库，接下来在工程的build pases里点击link binary with librarys的加号，在add other中按Command+shift+g，输入/usr/local/Cellar/opencv，在版本目录下的lib文件夹下，添加所有dylib文件，如图：
- 接下来在工程中添加头文件：
#include <opencv2/opencv.hpp>编译通过！完成！
- 我们来显示一张图片
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
void help(char** argv ) {
std::cout << "\n"
<< "A simple OpenCV program that loads and displays an image from disk\n"
<< argv[0] <<" <path/filename>\n"
<< "For example:\n"
<< argv[0] << " ../fruits.jpg\n"
<< std::endl;
}
int main( int argc, char** argv ) {
std::cout << "argc:" << argc << std::endl;
std::cout << "argv:" << argv[0] << std::endl;
if (argc != 2) {
help(argv);
return 0;
}
cv::Mat img = cv::imread( argv[1], -1 );
if( img.empty() ) return -1;
cv::namedWindow( "Example 2-1", cv::WINDOW_AUTOSIZE );
cv::imshow( "Example 2-1", img);
cv::waitKey( 0 );
cv::destroyWindow( "Example 2-1" );
return 0;
}以上示例使用opencv从内存中加载并显示了一张图片：
图像分类的任务，就是对于一个给定的图像，预测它属于的那个分类标签（或者给出属于一系列不同标签的可能性）。
-
数据驱动方法 如何写一个图像分类的算法呢？这和写个排序算法可是大不一样。怎么写一个从图像中认出猫的算法？搞不清楚。因此，与其在代码中直接写明各类物体到底看起来是什么样的，倒不如说我们采取的方法和教小孩儿看图识物类似：给计算机很多数据，然后实现学习算法，让计算机学习到每个类的外形。这种方法，就是数据驱动方法。 运用到图片分类的数据驱动算法描述：给计算机数据，实现学习算法，使计算机学习到每个类的外形；
-
图像分类流程 输入包含N个图像的集合，每个图像的标签是K个分类标签中的一种，使计算机基于给定的集合学习一种模型，生成的分类器用来预测未曾见过图像的分类标签，将预测标签与真实标签通过对于来评价分类器的的质量；
-
计算机存储图像原理 首先要理解计算机存储图像原理，计算机存储图像，而用灰度图表示则为以下,图为一个4 * 4的用单颜色通道表示的像素图： |00000000|11110000|00001111|10101010| |:-:|:-:|:-:|:-:| |10101010|10101010|10101010|10101010| |10101010|10101010|10101010|10101010| |10101010|10101010|10101010|10101010|
-
Python函数：shape reshape shape: 输入参数：类似数组（比如列表，元组）等，或是数组 返回：一个整型数字的元组，元组中的每个元素表示相应的数组每一维的长度 nn.shape[0]:
reshape: 函数功能：给予数组一个新的形状，而不改变它的数据 numpy函数