gtsam 学习十一（ISAM2 实践）
2024-04-19 18:05:25
来自gtam/examples/
- ISAM1模板
#include <gtsam/geometry/Point2.h>
#include <gtsam/geometry/SimpleCamera.h>
#include <gtsam/inference/Symbol.h>
#include <gtsam/slam/PriorFactor.h>
#include <gtsam/slam/ProjectionFactor.h>
#include <gtsam/nonlinear/NonlinearISAM.h>
#include <gtsam/nonlinear/NonlinearFactor.h>
#include <gtsam/nonlinear/Values.h>
#include <gtsam/geometry/Cal3DS2.h>
#include <vector>
/**
*@brief 创建8个点
*@return 返回vector<Point3> points 长度为8
*/
std::vector<gtsam::Point3> createPoints() {// Create the set of ground-truth landmarksstd::vector<gtsam::Point3> points;points.push_back(gtsam::Point3(10.0,10.0,10.0));points.push_back(gtsam::Point3(-10.0,10.0,10.0));points.push_back(gtsam::Point3(-10.0,-10.0,10.0));points.push_back(gtsam::Point3(10.0,-10.0,10.0));points.push_back(gtsam::Point3(10.0,10.0,-10.0));points.push_back(gtsam::Point3(-10.0,10.0,-10.0));points.push_back(gtsam::Point3(-10.0,-10.0,-10.0));points.push_back(gtsam::Point3(10.0,-10.0,-10.0));return points;
}
/** *@brief *@param init 初始化pose，队列的第一个值，之后每一个都会在pose之上旋转delta(Pose3)*@param delta 旋转角度*@param steps 默认为8 返回Pose3的长度*@return vector<Pose3>*/
std::vector<gtsam::Pose3> createPoses(const gtsam::Pose3& init = gtsam::Pose3(gtsam::Rot3::Ypr(M_PI/2,0,-M_PI/2), gtsam::Point3(30, 0, 0)),const gtsam::Pose3& delta = gtsam::Pose3(gtsam::Rot3::Ypr(0,-M_PI/4,0), gtsam::Point3(sin(M_PI/4)*30, 0, 30*(1-sin(M_PI/4)))),int steps = 8) {// Create the set of ground-truth poses// Default values give a circular trajectory, radius 30 at pi/4 intervals, always facing the circle centerstd::vector<gtsam::Pose3> poses;int i = 1;poses.push_back(init);for(; i < steps; ++i) {poses.push_back(poses[i-1].compose(delta));}return poses;
};
using namespace std;
using namespace gtsam;
int main(int argc, const char** argv) {//相机内参Cal3_S2::shared_ptr K(new Cal3_S2(50.0,50.0,0.0,50.0,50.0));//相机观测噪声noiseModel::Isotropic::shared_ptr noise=noiseModel::Isotropic::Sigma(2,1.0);//创建路标点，位姿vector<Pose3> poses=createPoses();vector<Point3> points=createPoints();//创建ISAM：周期性重新平滑线性化和排序int relinearizeInterval=3;//新添加多少个之后更新，NonlinearISAM isam(relinearizeInterval);//创建图模型NonlinearFactorGraph graph;Values initialEstimate;//添加观则量for(int i=0;i<poses.size();i++){for(int j=0;j<points.size();j++){SimpleCamera camera(poses[i],*K);Point2 measurement=camera.project(points[j]);graph.emplace_shared<GenericProjectionFactor<Pose3,Point3,Cal3_S2> >(measurement,noise,Symbol('x',i),Symbol('l',j),K);}//初始化 路边真实点Pose3 noise(Rot3::Rodrigues(-0.1, 0.2, 0.25), Point3(0.05, -0.10, 0.20));Pose3 initial_xi=poses[i].compose(noise);//初始旋转值initialEstimate.insert(symbol('x',i),initial_xi);//设置起始值同时设置当前帧的坐标系，并在第一个路标点上设置尺度，ISAM使用增量求解，至少需要两个值if(i==0){// Add a prior on pose x0, with 30cm std on x,y,z 0.1 rad on roll,pitch,yawnoiseModel::Diagonal::shared_ptr poseNoise=noiseModel::Diagonal::Sigmas(Vector6(0.3,0.3,0.3,0.1,0.1,0.1));graph.emplace_shared<PriorFactor<Pose3> >(Symbol('x',0),poses[0],poseNoise);//添加prior l0noiseModel::Isotropic::shared_ptr pointnoise=noiseModel::Isotropic::Sigma(3,0.1);graph.emplace_shared<PriorFactor<Point3> >(Symbol('l',0),points[0],pointnoise);//初始化噪声Point3 noise(-0.25, 0.20, 0.15);//插入值for(int j=0;j<points.size();j++){Point3 initial_lj=points[j]+noise;initialEstimate.insert(Symbol('l',j),initial_lj);}}else{isam.update(graph,initialEstimate);Values currentEsimate=isam.estimate();cout << "****************************************************" << endl;cout << "Frame " << i << ": " << endl;currentEsimate.print("Current estimate: ");graph.resize(0);initialEstimate.clear();}}return 0;
}- ISAM2 基本使用
#include <gtsam/geometry/SimpleCamera.h>
#include <gtsam/nonlinear/ISAM2.h>
#include <gtsam/nonlinear/ISAM2Params.h>
#include <gtsam/slam/BetweenFactor.h>
#include <gtsam/slam/SmartProjectionPoseFactor.h>
#include <gtsam/inference/Key.h>
#include <iostream>
#include <gtsam/geometry/Pose3.h>
#include <gtsam/slam/PriorFactor.h>
#include <vector>using namespace std;
using namespace gtsam;
using symbol_shorthand::X;
using symbol_shorthand::P;//Cal3_S2 相机内参结构体typedef SmartProjectionPoseFactor<Cal3_S2> SmartFactor;
//SmartProjectionFactor 专门用来实现相机位姿优化的一类
// 三角化 适用于单目相机，同时矫正标定相机和位姿
// 如果相机已经标定使用：SmartProjectionPoseFactor ：只矫正位姿int main(int argc,char **argv){//初始化相机内参:fx_(1), fy_(1), s_(0), u0_(0), v0_(0)Cal3_S2::shared_ptr K(new Cal3_S2(50.0,50.0,0,50,50));auto measurementNoise=noiseModel::Isotropic::Sigma(2,1.0);//1单位像素的误差值Vector6 sigmas;sigmas<<0.3,0.3,0.3,0.1,0.1,0.1;auto noise=noiseModel::Diagonal::Sigmas(sigmas);ISAM2Params parameters;parameters.relinearizeThreshold=0.01; //差值大于0.1需要重新线性化parameters.relinearizeSkip=1; //每当有1个值需要重新线性化时，对贝叶斯树进行更新parameters.enableRelinearization=true; //是否可以重新线性化任意变量parameters.evaluateNonlinearError=false; //是否计算线性化误差默认falseparameters.cacheLinearizedFactors = false; //default: true 是否保存保存线性化结果，可以优化性能，但是当线性化容易计算时会造成相反效果parameters.factorization=ISAM2Params::Factorization::QR;//默认为QR分级，还可以选用CHOESKY分解，但CHOESKY求解数值不稳定parameters.keyFormatter=DefaultKeyFormatter;// debug时key值形式默认parameters.enableDetailedResults=true; //是否计算返回ISAM2Result::detailedResults，会增加计算量parameters.enablePartialRelinearizationCheck=false; //是否只进行部分更新功能parameters.findUnusedFactorSlots=false;//当要移除许多因子时，比如ISAM2做固定平滑时，启用此选项第一值进行插入时//避免出现NULL值，但是会造成每当有新值插入时必须查找ISAM2 isam(parameters);//贝叶斯树NonlinearFactorGraph graph;Values initialEstimate;Point3 point(0.0,0.0,1.0);//Rodrigues 将RPY转为悬装向量罗德里格旋转公式Pose3 delta(Rot3::Rodrigues(0.0,0.0,0.0),Point3(0.05,-0.10,0.20));Pose3 pose1(Rot3(), Point3(0.0, 0.0, 0.0));Pose3 pose2(Rot3(), Point3(0.0, 0.2, 0.0));Pose3 pose3(Rot3(), Point3(0.0, 0.4, 0.0));Pose3 pose4(Rot3(), Point3(0.0, 0.5, 0.0));Pose3 pose5(Rot3(), Point3(0.0, 0.6, 0.0));vector<Pose3> poses = {pose1, pose2, pose3, pose4, pose5};//构造图//起始点graph.emplace_shared<PriorFactor<Pose3>>(X(0), poses[0], noise);initialEstimate.insert(X(0), poses[0].compose(delta));SmartFactor::shared_ptr smartFactor(new SmartFactor(measurementNoise, K));smartFactor->add(PinholePose<Cal3_S2>(poses[0], K).project(point), X(0));graph.push_back(smartFactor);for(size_t i=1;i<5;i++){cout << "****************************************************" << endl;cout << "i = " << i << endl;graph.emplace_shared<PriorFactor<Pose3>>(X(i), poses[i], noise);initialEstimate.insert(X(i), poses[i].compose(delta));//SE compose 偏移小量//添加噪声模型PinholePose<Cal3_S2> camera(poses[i],K); //仿真相机 位姿+内参Point2 measurement=camera.project(point); //point在5个位置投影cout << "Measurement " << i << "" << measurement << endl;//添加测量值smartFactor->add(measurement,X(i));//更新ISAM2Result result=isam.update(graph,initialEstimate);result.print();cout << "Detailed results:" << endl;//遍历键值信息for(auto keyedStatus:result.detail->variableStatus){const auto& status=keyedStatus.second;PrintKey(keyedStatus.first);cout << " {" << endl;cout<<"变量是否被被重新限制（重新线性化、添加新值、或者在被更新的根目录路径上）:"<<status.isReeliminated<<endl;cout<<"是否超过阈值(在平滑线性时超过是否阈值):"<<status.isAboveRelinThreshold<<endl; cout<<"是否被设计被重新线性化:"<<status.isRelinearized<<endl;cout<<"是否被观测到（仅仅与添加的新元素相关):"<< status.isObserved << endl;cout<<"新值:"<<status.isNew<<endl;cout<<"是否为根团："<<status.inRootClique<<endl;cout << " }" << endl;}Values currentEstimate=isam.calculateBestEstimate();//calculateBestEstimate使用所有值进行回带currentEstimate.print("Current estimate:");boost::optional<Point3> pointEstimate=smartFactor->point(currentEstimate);if (pointEstimate) {cout << *pointEstimate << endl;}graph.resize(0);initialEstimate.clear();}return 0;
}- ISAM2模板
#include <gtsam/geometry/Point2.h>
#include <gtsam/inference/Symbol.h>
#include <gtsam/nonlinear/ISAM2.h>
#include <gtsam/nonlinear/Values.h>
#include <gtsam/nonlinear/NonlinearFactor.h>
#include <gtsam/nonlinear/NonlinearFactorGraph.h>
#include <gtsam/slam/PriorFactor.h>
#include <gtsam/geometry/SimpleCamera.h>
#include <gtsam/slam/ProjectionFactor.h>
#include <gtsam/geometry/Cal3_S2.h>
#include <gtsam/geometry/Pose3.h>
#include <gtsam/geometry/Point3.h>
#include <gtsam/nonlinear/ISAM2Params.h>
#include <vector>
/**
*@brief 创建8个点
*@return 返回vector<Point3> points 长度为8
*/
std::vector<gtsam::Point3> createPoints() {// Create the set of ground-truth landmarksstd::vector<gtsam::Point3> points;points.push_back(gtsam::Point3(10.0,10.0,10.0));points.push_back(gtsam::Point3(-10.0,10.0,10.0));points.push_back(gtsam::Point3(-10.0,-10.0,10.0));points.push_back(gtsam::Point3(10.0,-10.0,10.0));points.push_back(gtsam::Point3(10.0,10.0,-10.0));points.push_back(gtsam::Point3(-10.0,10.0,-10.0));points.push_back(gtsam::Point3(-10.0,-10.0,-10.0));points.push_back(gtsam::Point3(10.0,-10.0,-10.0));return points;
}
/** *@brief *@param init 初始化pose，队列的第一个值，之后每一个都会在pose之上旋转delta(Pose3)*@param delta 旋转角度*@param steps 默认为8 返回Pose3的长度*@return vector<Pose3>*/
std::vector<gtsam::Pose3> createPoses(const gtsam::Pose3& init = gtsam::Pose3(gtsam::Rot3::Ypr(M_PI/2,0,-M_PI/2), gtsam::Point3(30, 0, 0)),const gtsam::Pose3& delta = gtsam::Pose3(gtsam::Rot3::Ypr(0,-M_PI/4,0), gtsam::Point3(sin(M_PI/4)*30, 0, 30*(1-sin(M_PI/4)))),int steps = 8) {// Create the set of ground-truth poses// Default values give a circular trajectory, radius 30 at pi/4 intervals, always facing the circle centerstd::vector<gtsam::Pose3> poses;int i = 1;poses.push_back(init);for(; i < steps; ++i) {poses.push_back(poses[i-1].compose(delta));}return poses;
};
using namespace std;
using namespace gtsam;
int main(int argc, const char** argv) {//相机内参K，无畸变Cal3_S2::shared_ptr K(new Cal3_S2(50.0,50.0,0,50.0,50.0));//模拟数据auto measurementnoise=noiseModel::Isotropic::Sigma(2,1.0);vector<Point3> points=createPoints();vector<Pose3> poses=createPoses();//与ISAM1不同，ISAM1进行周期性批量处理，ISAM2进行部分平滑线性ISAM2Params parameters;parameters.relinearizeThreshold=0.01; //重新线性化平滑值parameters.relinearizeSkip=1;ISAM2 isam(parameters);NonlinearFactorGraph graph;Values initialEstimate;for(size_t i=0;i<poses.size();i++){//测量值for(size_t j=0;j<points.size();j++){SimpleCamera camera(poses[i],*K);Point2 measurement=camera.project(points[j]);graph.emplace_shared<GenericProjectionFactor<Pose3,Point3,Cal3_S2> >(measurement,measurementnoise,Symbol('x',i),Symbol('l',j),K);}Pose3 kDeltaPose(Rot3::Rodrigues(-0.1,0.2,0.25),Point3(0.05,-0.10,0.20));initialEstimate.insert(symbol('x',i),poses[i]*kDeltaPose);if(i==0){auto kPosePrior=noiseModel::Diagonal::Sigmas(Vector6(0.3,0.3,0.3,0.1,0.1,0.1));graph.emplace_shared<PriorFactor<Pose3> >(Symbol('x',0),poses[0],kPosePrior);noiseModel::Isotropic::shared_ptr kPointPrior=noiseModel::Isotropic::Sigma(3,0.1);graph.emplace_shared<PriorFactor<Point3> >(Symbol('l',0),points[0],kPointPrior);Point3 kDeltaPoints(-0.25,0.20,0.15);for(size_t j=0;j<points.size();j++){initialEstimate.insert<Point3>(Symbol('l',j),points[j]+kDeltaPoints);}}else{//每次update 都会进行一次非线性迭代求解，如果需要更加准确的数据，可以调用多个，但会消耗额外的时间isam.update(graph,initialEstimate);isam.update();Values currentEstimate=isam.calculateBestEstimate();cout << "****************************************************" << endl;cout << "Frame " << i << ": " << endl;currentEstimate.print("Current estimate: ");graph.resize(0);initialEstimate.clear();}}return 0;
}- IMU预计分与相机代矫正位姿
//IMU 尝试使用IMU预计分与3d相机量联合优化位姿，用于处理无特征的帧
//假设 相机与IMU之间的坐标系转换是已知的
#include <gtsam/navigation/CombinedImuFactor.h>
#include <gtsam/nonlinear/ISAM2.h>
#include <gtsam_unstable/slam/SmartStereoProjectionPoseFactor.h>
#include <gtsam/slam/PriorFactor.h>
#include <fstream>
#include <iostream>
#include <sstream>
#include <string>
#include <vector>using namespace std;
using namespace gtsam;
using symbol_shorthand::X;
using symbol_shorthand::V;
using symbol_shorthand::B;struct IMUhelper{IMUhelper(){{auto gaussian=noiseModel::Diagonal::Sigmas(Vector6(5.0e-2,5.0e-2,5.0e-2,5.0e-3,5.0e-3,5.0e-3));auto huber=noiseModel::Robust::Create(noiseModel::mEstimator::Huber::Create(1.345),gaussian);biasNoiseModel=huber;}{auto gassian=noiseModel::Isotropic::Sigma(3,0.01);auto huber=noiseModel::Robust::Create(noiseModel::mEstimator::Huber::Create(1.345),gassian);velocityNoiseModel = huber;}//定义初始位置重力常量auto p = boost::make_shared<PreintegratedCombinedMeasurements::Params>(Vector3(0.0, 9.8, 0.0));//连续加速度白噪声p->accelerometerCovariance=I_3x3 *pow(0.0565,2.0);//积分连续不确定性p->integrationCovariance=I_3x3*1e-9;//陀螺仪连续白噪声p->gyroscopeCovariance=I_3x3*pow(4.0e-5,2.0);//加速度残差 连续白噪声p->biasAccCovariance=I_3x3*pow(0.00002,2.0);//陀螺仪残差 连续白噪声p->biasAccOmegaInt=Matrix::Identity(6,6)*1e-5;//Imu imu自身坐标与导航坐标系的旋转Rot3 iRb(0.036129, -0.998727, 0.035207,0.045417, -0.033553, -0.998404,0.998315, 0.037670, 0.044147);//Imu imu自身坐标与导航坐标系的位置误差Point3 iTb(0.03,-0.025,-0.06);//左边相机与imu的位姿变换p->body_P_sensor = Pose3(iRb, iTb);//初始位姿Rot3 prior_rotation = Rot3(I_3x3);Pose3 prior_pose(prior_rotation, Point3(0, 0, 0));//相机坐标系下 imu矫正的残差Vector3 acc_bias(0.0, -0.0942015, 0.0);Vector3 gyro_bias(-0.00527483, -0.00757152, -0.00469968);priorImuBias = imuBias::ConstantBias(acc_bias, gyro_bias);//初始化导航向量prevState=NavState(prior_pose,Vector3::Zero());propState=prevState;preintegrated=new PreintegratedCombinedMeasurements(p,priorImuBias);}imuBias::ConstantBias priorImuBias; //初始误差noiseModel::Robust::shared_ptr velocityNoiseModel; //速度噪声noiseModel::Robust::shared_ptr biasNoiseModel; //残差噪声模型NavState prevState; //之前的导航状态NavState propState; //当前导航状态imuBias::ConstantBias prevBias; //之前的残差PreintegratedCombinedMeasurements* preintegrated; //之前的预积分
};int main(int argc, const char** argv) {string file="/home/n1/notes/gtsam/ISAM_IMU_CAMERA/ISAM2_SmartFactorStereo_IMU.txt";ifstream in(file);//相机内参double fx = 822.37;double fy = 822.37;double cx = 538.73;double cy = 579.10;double baseline = 0.372; //初始化相机Cal3_S2Stereo::shared_ptr K(new Cal3_S2Stereo(fx, fy, 0.0, cx, cy, baseline));ISAM2Params parameters;parameters.relinearizeThreshold=0.1;ISAM2 isam(parameters);//创建因子图std::map<size_t,SmartStereoProjectionPoseFactor::shared_ptr>smartFactors;//构造容器NonlinearFactorGraph graph;Values InitialEstimate;IMUhelper imu;//初始值处理//Pose初始值auto priorPoseNoise=noiseModel::Diagonal::Sigmas(Vector6(0.1,0.1,0.1,0.1,0.1,0.1));graph.emplace_shared<PriorFactor<Pose3> >(X(1), Pose3::identity(),priorPoseNoise);//从0开始InitialEstimate.insert(X(0),Pose3::identity());//imu初始值和噪声模型graph.add(PriorFactor<imuBias::ConstantBias>(B(1),imu.priorImuBias,imu.biasNoiseModel));InitialEstimate.insert(B(0),imu.priorImuBias);//加速度 假设为恒定的graph.add(PriorFactor<Vector3>(V(1),Vector3(0,0,0),imu.velocityNoiseModel));InitialEstimate.insert(V(0),Vector3(0, 0, 0));int lastframe=1;int frame;while(1){char line[1024];in.getline(line,sizeof(line));stringstream ss(line);char type;ss>> type >> frame;if(frame !=lastframe||in.eof()){cout<<"当前帧:"<<lastframe<<endl;InitialEstimate.insert(X(lastframe),Pose3::identity());InitialEstimate.insert(V(lastframe),Vector3(0,0,0));InitialEstimate.insert(B(lastframe),imu.priorImuBias);CombinedImuFactor imuFactor(X(lastframe-1),V(lastframe - 1),X(lastframe),V(lastframe),B(lastframe-1),B(lastframe),*imu.preintegrated);graph.add(imuFactor);//添加新的的变量isam.update(graph,InitialEstimate);//更新Values currentEstimate=isam.calculateEstimate();//当前值//获得当前估计值 predict（当前状态，当前残差）imu.propState=imu.preintegrated->predict(imu.prevState,imu.prevBias);////更新状态imu.prevState=NavState(currentEstimate.at<Pose3>(X(lastframe)),currentEstimate.at<Vector3>(V(lastframe)));//更新残差imu.prevBias=currentEstimate.at<imuBias::ConstantBias>(B(lastframe));//更新当前预计分值imu.preintegrated->resetIntegrationAndSetBias(imu.prevBias);//重塑大小，删除所有已存在的。//当新的size小于原始size，先删除新的值，大于添加nullgraph.resize(0);InitialEstimate.print();InitialEstimate.clear();if(in.eof()){break;}}if(type=='i'){//Imu数据double ax,ay,az;double gx,gy,gz;double dt=1/800.0;//Imu 800Hzss>>ax>>ay>>az;ss>>gx>>gy>>gz;Vector3 acc(ax,ay,az);Vector3 gyro(gx,gy,gz);//测量值imu.preintegrated->integrateMeasurement(acc,gyro,dt);}else if(type=='s'){//双目相机int landmark;double xl,xr,y;ss>>landmark>>xl>>xr>>y;if (smartFactors.count(landmark) == 0) {auto gaussian = noiseModel::Isotropic::Sigma(3, 1.0);//SmartProjectionParams 双目相机的smartFactor// 该类实现了相机类贝叶斯树的线性化和degeneracy// 默认参数：// LinearizationMode linMode = HESSIAN, HESSIAN：2阶海森矩阵线性化// DegeneracyMode degMode = IGNORE_DEGENERACY,：degeneracy（退化）模式// IGNORE_DEGENERACY, ZERO_ON_DEGENERACY, HANDLE_INFINITY// bool throwCheirality = false, 如果为真重新抛出Cheirality（与景深相关）异常// bool verboseCheirality = false, 输出Cheirality异常// double retriangulationTh = 1e-5 重新三角化范围SmartProjectionParams params(HESSIAN, ZERO_ON_DEGENERACY);//SmartStereoProjectionPoseFactor// 假设每一个相机内参都有自己独立参数且已经被矫正//参数：// const SharedNoiseModel& sharedNoiseModel：噪声模型// const SmartStereoProjectionParams& params = SmartStereoProjectionParams(),参数// const boost::optional<Pose3> body_P_sensor = boost::none 初始位姿smartFactors[landmark] = SmartStereoProjectionPoseFactor::shared_ptr(new SmartStereoProjectionPoseFactor(gaussian, params));graph.push_back(smartFactors[landmark]);}//xl 左边相机的像素x//xr 右边相机对应像素的x//y 矫正后的ysmartFactors[landmark]->add(StereoPoint2(xl,xr,y),X(frame),K);}else {throw runtime_error("读取错误: " + string(1, type));}lastframe = frame;}return 0;
};
gtsam 学习十一（ISAM2 实践）相关推荐
- 2018-4-15摘录笔记，《网络表征学习前沿与实践》 崔鹏以及《网络表征学习中的基本问题初探》 王啸 崔鹏 朱文武
1.来源:<网络表征学习前沿与实践> 崔鹏 (1)随着数据的增加以及计算机计算速度的增加,想当然的以为速度快了,数据再多也是可以自己算的,但是若是数据之间存在着复杂的关系,那么处理一个样 ...
- 8月6日云栖精选夜读 | 阿里云CPFS在人工智能/深度学习领域的实践
2019独角兽企业重金招聘Python工程师标准>>> AI/DL在迅速发展 随着数据量的爆发式增长和计算能力的不断提升,以及在算法上的不断突破,人工智能(AI,Artificial ...
- 解析深度学习：语音识别实践电子书
作者:俞栋 出版社:电子工业出版社 品牌:博文视点 出版时间:2020-10-01 解析深度学习:语音识别实践电子书 ISBN:9787121287961
- AI开发者大会之AI学习与进阶实践：2020年7月3日《如何转型搞AI？》、《基于AI行业价值的AI学习与进阶路径》、《自动机器学习与前沿AI开源项目》、《使用TensorFlow实现经典模型》
AI开发者大会之AI学习与进阶实践:2020年7月3日<如何转型搞AI?>+<无行业不智能:基于AI行业价值的AI学习与进阶路径>.<自动机器学习与前沿AI开源项目> ...
- AI学习与进阶实践-基于行业价值的AI学习与进阶路径
AI学习与进阶实践 如何转型搞AI? 无行业不智能-基于行业价值的AI学习与进阶路径 1 行业与需求 2 行业与技术 3 AI入门指引 机器学习与前沿AI开源项目 1 机器学习建模与自动机器学习 2 ...
- python 学习5--matplotlib画图实践
python 学习5--matplotlib画图实践 ### Python的强大很大一部分原因在于,它提供有很多已经写好的,可以现成用的对象 学习参考: http://www.cnblogs.com/ ...
- 一位全加器的结构描述vhdl_小学数学结构化学习的评价实践探索
小学数学结构化学习的评价实践探索 --以<小数意义>为例 小学数学结构化学习是小学生在已有数学知识经验结构基础上,借助教师对小学数学教学内容的整体理解与适切的课程开发,经历个性化的连续.关 ...
- OpenCV与图像处理学习十一——分水岭算法（含代码）
OpenCV与图像处理学习十一--分水岭算法(含代码) 一.分水岭算法概要 二.分水岭算法步骤 三.代码应用 一.分水岭算法概要 任意的灰度图像可以被看做是地质学表面,高亮度的地方是山峰,低亮度的地方 ...
- PyTorch框架学习十一——网络层权值初始化
PyTorch框架学习十一--网络层权值初始化 一.均匀分布初始化 二.正态分布初始化 三.常数初始化 四.Xavier 均匀分布初始化 五.Xavier正态分布初始化 六.kaiming均匀分布初始 ...
最新文章
- python中json模块博客园_python的json模块
- 13.2.7 中间件
- jsf绑定bean_JSF –渴望的CDI bean
- 今天读了JDK1.8源码,知道了并行迭代器Spliterator
- python中with open写csv文件_Python中的CSV文件使用with语句的方式详解
- mysql 7下载安装及问题解决
- Java访问对象的属性和行为
- 吴恩达机器学习笔记十三之推荐系统
- c语言山东科技大学答案oj,山东科技大学oj部分题目记答案.doc
- java zk_zk框架：zul文件，纯Java或混合更好的性能
- 学习C语言必须掌握的10个经典的C语言小程序
- 用AutoIt写网页外挂系列之 开心网的X世界网页游戏自动送免费礼物
- Pintos-斯坦福大学操作系统Project详解-Project1
- cad抠图 lisp_用Autolisp对AutoCAD进行二次改造
- Picasso加载圆形图片和圆角图片
- 图的割点 图的割边 二分图
- 用AI画一只漂亮的羽毛
- Windows 下自定义某类型文件图标(例如.h5,.ipynb)
- 计算机视觉结课论文,计算机视觉与图像识别结课论文教案.doc
- Java开发花三个月狂刷“面试宝典”成功从小厂35K跳槽到阿里50K