Wang's Blog

【Atlas 移植训练营极市×昇腾】 Atlas 移植初体验

Wed, 11 Jan 2023 15:49:50 GMT

华为的Atlas系列硬件是基于昇腾系列（HUAWEI Ascend）AI 处理器，通过模块、标卡、小站、服务器、集群等丰富的产品形态，打造面向 “ 端、边、云 ” 的全场景AI基础设施方案。在这次的极市与昇腾举行的【Atlas移植营】中，体验了将YOLOv5模型移植到Atlas设备这一过程，期间收获很多。

使用vcpkg和CMake在vs code与clion中构建Qt应用

Tue, 27 Dec 2022 04:26:35 GMT

在vs

生成对抗网络（GANs）

Mon, 22 Mar 2021 07:20:26 GMT

本文介绍了生成对抗网络的起源与发展，并分析了其面临的挑战。

机器学习中的一阶与随机优化方法：机器学习模型

Sun, 26 Jul 2020 13:40:29 GMT

在本章中，我们介绍了一些广泛使用的统计和机器学习模型，以激发后面对优化理论和算法的讨论。

Savitzky-Golay 滤波平滑与n阶导数系数的推导

Sun, 07 Jun 2020 13:16:16 GMT

一组 $2m + 1$ 个连续值通过n次多项式（$n < 2m + 1$）确定最佳均方拟合。该多项式的形式如下：

经典CS问题Python实现：搜索问题

Sat, 30 May 2020 06:50:53 GMT

“搜索”是一个如此宽泛的术语，以至于整系列都可以被称为Python中的经典搜索问题。本章是关于每个程序员都应该知道的核心搜索算法。尽管有宣言式的标题，但并不表明是全面的。

图像挖掘中Canny和Sobel边缘检测算法的性能分析

Sun, 10 May 2020 08:38:08 GMT

摘要： 边缘检测是指对图像中尖锐不连续点进行识别和定位的过程。因此，边缘检测是图像分析中的一个重要步骤，是解决许多复杂问题的关键。边缘检测是大多数图像处理应用中的一个基本工具，用于从帧中获取信息，作为特征提取和目标分割的先导步骤。边缘检测技术已经广泛应用于物体识别、目标跟踪、分割、数据压缩提取以及图像重建等匹配领域。边缘检测方法利用图像灰度的变化将原始图像转换为边缘图像。本文采用两种边缘检测算法即Canny边缘检测算法和Sobel边缘检测算法对用于人脸检测的人脸图像进行边缘提取。通过对性能因素即精度和速度的分析，找出哪种算法效果更好。实验结果表明，Canny边缘检测算法优于Sobel边缘检测算法。

经典CS问题Python实现：简单问题

Mon, 22 Apr 2019 10:53:54 GMT

首先，我们将探索一些简单的问题，这些问题可以用几个相对较短的函数来解决。

Design Patterns Used in Qt and OpenCV

Sun, 30 Dec 2018 11:53:18 GMT

以下是一些在 Qt 和 OpenCV 中用到的设计模式。

OpenCV Recipes：图像的几何变换

Mon, 25 Jun 2018 12:35:37 GMT

In this post, we are going to learn how to apply cool geometric effects to images.

Jaya 优化算法及其变体

Tue, 19 Jun 2018 12:21:26 GMT

本章详细介绍了 TLBO 算法、NSTLBO 算法、Jaya 算法及其变种——自适应 Jaya、拟反向 Jaya、自适应多种群 Jaya、自适应多种群精英策略 Jaya、混沌 Jaya、多目标 Jaya 和多目标拟反向 Jaya。文中举例说明了Jaya 算法及其变体在无约束和有约束单目标和多目标优化问题中的应用。还描述了覆盖率、间距和超体积三个性能指标来评估多目标优化算法的性能。

萤火虫算法

Tue, 12 Jun 2018 12:15:31 GMT

自然启发式的元启发式算法，特别是基于群体智能的，在过去的 10 年中备受关注。萤火虫算法（firefly algorithm，FA）出现于 2008 年，相关文献随着应用的不断扩大而显著扩大。在本章中，我们首先介绍标准萤火虫算法，然后简要回顾一下变体。我们还分析了 FA 的特点，并试图回答 FA 为什么如此有效的问题。

遗传算法

Sun, 10 Jun 2018 12:11:50 GMT

就其应用的多样性而言，遗传算法是最受欢迎的进化算法之一。遗传算法已经被尝试用于绝大多数众所周知的优化问题。另外，遗传算法是基于群体的，许多现代的进化算法直接基于遗传算法或具有一些强烈的相似性。

模拟退火

Fri, 08 Jun 2018 10:53:57 GMT

最早但最流行的元启发式算法之一是模拟退火（simulated annealing，SA），它是一种基于轨迹的全局优化随机搜索技术。它模仿金属材料加工中的退火过程，当金属以最小的能量、较大的晶体尺寸冷却并冻结成结晶状态时，可以减少金属结构中的缺陷。退火过程包括仔细地控制温度和冷却速度，通常称为退火制度（annealing schedule）。 SA 已经成功应用于许多领域。

随机行走与最优化

Thu, 24 May 2018 11:55:07 GMT

通过分析元启发式算法的主要特点，我们知道随机化在探索和开发，或者多样化和集中化中都起着重要的作用。在大多数情况下，随机化是通过从均匀分布或高斯正态分布得到的简单随机数来实现的。在其他情况下，会使用更复杂的随机化技术，如：随机行走和 Lévy 飞行。本章简要回顾了随机行走的基本思想和理论、Lévy 飞行和马尔可夫链。我们还讨论初始化、步长、算法效率和鹰策略。这有助于我们了解自然启发式算法的工作机制。

自然启发式算法算法分析

Mon, 14 May 2018 11:40:06 GMT

群体智能（Swarm intelligence，SI）和生物启发计算引起了研究人员极大的兴趣和关注。在优化、计算智能和计算机科学领域，生物启发式算法尤其是基于 SI 的算法已经变得非常流行。事实上，这些自然启发式的元启发式算法现在是最广泛使用的优化和计算智能算法。基于 SI 的算法，如蚁群优化算法、蜂群优化算法、粒子群优化、布谷鸟搜索和萤火虫算法等与传统算法相比具有许多优点。

机器学习之 TensorFlow 基础

Mon, 07 May 2018 11:30:16 GMT

在实现机器学习算法之前，让我们先熟悉如何使用 TensorFlow。

数值 Python: 常微分方程

Tue, 01 May 2018 11:07:37 GMT

方程中未知量是函数而不是变量，且未知量涉及未知函数的导数的方程称为微分方程。常微分方程（ordinary differential equation， ODE）是一类特殊情况，未知函数只有一个独立变量，方程中存在未知函数的导数。另一方面，如果方程中存在多个变量的导数，则被称为偏微分方程。这里我们关注的是常微分方程(在下面缩写为 ODE)，探索求解这类方程的符号方法和数值方法。ODE 的解析闭合解通常不存在，但对于许多特殊类型的 ODE，存在解析解，在这些情况下，我们有机会使用符号方法找到解。如果不行，我们必须像往常一样采用数值技术求解。

数值 Python: 求解方程

Thu, 19 Apr 2018 11:46:11 GMT

前面，我们讨论了一般的方法和技术，即基于数组的数值计算、符号计算和可视化。这些方法是科学计算的基石，构成了我们在处理计算问题时可以使用的基本工具集。

从这里开始，我们开始探索如何利用前面介绍的基本技术从应用数学和计算科学的不同领域解决问题。本章的主题是代数方程求解。这是一个广泛的课题，需要应用数学的多个领域的理论和方法。特别地，当讨论方程求解时，我们必须区分单变量和多变量方程。此外，我们需要区分线性和非线性方程。这种分类很有用，因为求解这些不同类型的方程需要应用不同的数学方法和途径。

差分进化算法

Tue, 17 Apr 2018 11:32:16 GMT

差分进化算法（Differential Evolution，DE）是一种基于向量的元启发式算法，具有良好的收敛性。DE 变体有很多，并且已经在广泛的学科中得到应用。这里简要介绍基本差分进化及其主要实现细节和变体。讨论了种群方差的基本收敛性。