Brief note on Segment Anything
IntroSegmentation is the prediction of mask to segment the area of interest, which may be an object, a person, etc. The difference between Segment Anything and general segmentation is the introduction of prompts to specify where to segment. The prompts here can be vague, such as a point, a box, etc.
ModelSegment Anything’s model consists of three main components:
Prompt encoder: This part is used to get the feature of the prompt, by using positional encoding or using convolution.
Image encoder: ...
Brief note on Data Augmentation
By performing augmentation, it can prevent your neural network from learning irrelevant patterns, essentially boosting overall performances.
Where do we augment data in our ML pipeline?
导入数据时，适用于相对较小的数据集，此举可增大数据集的大小。
在每一个 mini-batch 前，适用于较大的数据集，不用花精力去对整个数据集进行尺寸扩充，只需要对会被喂给模型的数据进行变化。
Popular Augmentation Techniques
Flip：包括上下翻转和镜面翻转
Rotation：可能导致尺寸发生变化
Scale：一定会导致尺寸变化，但放大时一般会剪去多余的部分
Crop：剪取后一般会调整回原来的大小
Translation：只包括 x 和 y 轴上面的移动
Gaussian Noise：Gaussian Noise which has zero mean, essentially has ...
Hexo Theme Project Study - Part 2: layout
Intro本文将逐个分析 Acrylic 主题项目中的 layout 文件夹中的文件，包括这些文件中引用到的文件。
本文会为每个文件的代码给出简明的注释，并说明我做出的修改以及修改的理由。
404 文件1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253<div id="error-wrap"> <div class="error-content"> <!-- 设置图片 --> <div class="error-img" style="background-image: url('<%= theme.errorpage.img %>')"></div> <div class="error-info"& ...
Hexo Theme Project Study - Part 1: Prerequisites
Prerequisites设计一个 Hexo 主题，需要掌握以下基础知识：
HTML、CSS 和 JavaScript：这些是 Web 开发的三大核心技术，你需要对它们有一定的了解，能够熟练地使用它们来开发网页和设计样式。
Hexo 框架：你需要了解 Hexo 框架的基本结构和工作原理，以便在设计主题时能够充分利用框架的功能。
模板引擎：Hexo 主题使用了 EJS 模板引擎来渲染页面，你需要学会如何使用 EJS 模板引擎来编写页面。
Hexo 框架Hexo 的基本结构当使用 Hexo 框架来构建博客时，它会将 Markdown 文件转换成静态网页。Hexo 的基本结构包括以下几个部分：
配置文件：Hexo 框架使用 YAML 语言来存储配置文件。你可以在配置文件中定义主题、博客标题、作者、部署选项等信息。
源文件：Hexo 框架使用 Markdown 语言来编写博客文章。在源文件夹中，你可以存储博客文章、页面和其他资源文件，如图片、音频和视频。
主题：Hexo 框架允许用户选择不同的主题来美化博客。主题通常包括模板文件、CSS 文件、JavaScript 文件和其他资源文件。
...
Deep Learning: BCELoss
简介nn.BCELoss 是 PyTorch 深度学习框架中用于二分类问题的损失函数之一，它被广泛应用于图像分类、目标检测、情感分析等领域。BCE 是指 Binary Cross Entropy，表示二分类交叉熵损失函数。与其他损失函数相比，BCELoss 在处理二分类问题时有着很好的性能表现，它能够帮助深度学习模型快速收敛并提高预测准确率。本文将以 PyTorch 2.0 为基础，介绍 BCELoss 的基本概念、实现方式和使用场景，以及示范其在实际应用中的效果。
nn.BCELoss 的基本概念二分类问题二分类问题是深度学习中最常见的问题之一，它的目标是将数据分为两个类别。例如，在图像分类问题中，我们可能需要将图像分为“狗”和“猫”两类。在这种情况下，我们可以使用二分类模型来预测图像属于哪个类别。
sigmoid 函数
Sigmoid 函数是一个 S 形函数，它将实数映射到区间 (0,1)。在二分类问题中，我们可以使用 Sigmoid 函数将输出值转换为概率值，从而使其在 (0,1) 之间。通过将模型的输出值转换为概率值，我们可以将模型的预测结果与真实标签进行比较，从而计算 BCE ...
