zdaiot

之前因为考虑不得当，没有采用分支的方法管理同一个工程。在github上建立了多个仓库，强迫症发作了，想合并这些仓库到同一个git中，并保留所有的git记录。具体来说，假设我们有如下几个仓库：

1. OldA：要合并的仓库A
2. OldB：要合并的仓库B
3. C：将OldA和OldB两个仓库合并到该git中

具体操作过程如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

mkdir C
cd C
# Assume the current directory is where we want the new repository to be created, Create the new repository
git init

# Before we do a merge, we have to have an initial commit, so we’ll make a dummy commit
dir > deleteme.txt
git add .
git commit -m "Initial dummy commit"

# Add a remote for and fetch the old repo
git remote add -f old_a <OldA repo URL>

# Merge the files from old_a/master into new/master
git merge old_a/master
# if occurs "fatal: refusing to merge unrelated histories"
git merge old_a/master --allow-unrelated-histories

# Clean up our dummy file because we don’t need it any more
git rm .\deleteme.txt
git commit -m "Clean up initial file"

# Move the old_a repo files and folders into a subdirectory so they don’t collide with the other repo coming later
mkdir old_a
dir -exclude old_a | %{git mv $_.Name old_a}

# Commit the move
git commit -m "Move old_a files into subdir"

接着合并其余仓库，如OldB

安装

Vim大概有如下几个版本：vim、vim-athena、vim-gnome、vim-gtk、vim-gtk3、vim-noxvim-tiny。它们中有编译进最小功能的 Vim 包（vim-tiny），有较全功能的文本界面 Vim 包（vim-nox），有适用于老的 X-Window 界面的版本（vim-athena），有适用于 KDE 环境的 GTK2 版本（vim-gtk），等等。

对于Ubuntu而言，一般情况下sudo apt install vim-gtk3即可。在 Ubuntu 上，vim 和 gvim 都是指向同一个应用程序的符号链接，且 gvim 的执行效果和 vim -g 相同。所以要启动图像化界面的vim，直接在终端执行gvim即可。

另外，若使用远程软件连接到Linux机器上，需要注意远程终端软件的远程字符集（如 PuTTY 中的“Windows > Translation > Remote character set”）应当设置成 UTF-8。

然后，还可以安装中文版本的帮助文件：

dockerfile记载了从一个镜像创建另一个新镜像的步骤。撰写好Dockerfile文件之后，我们就可以轻而易举的使用docker build命令来创建镜像了。Dockerfile 是一个文本文件，其内包含了一条条的指令(Instruction)，每一条指令构建一层，因此每一条指令的内容，就是描述该层应当如何构建。有了 Dockerfile，当我们需要定制自己额外的需求时，只需在 Dockerfile 上添加或者修改指令，重新生成 image 即可，省去了敲命令的麻烦。

Dockerfile的组成部分

下面主要列举出Dockerfile中比较常用的指令及其用法和说明，需要注意的是这些指令都是全部大写。

FROM：

二叉树

二叉树遍历模板

1. 前序遍历：先访问根节点，再前序遍历左子树，再前序遍历右子树
2. 中序遍历：先中序遍历左子树，再访问根节点，再中序遍历右子树
3. 后序遍历：先后序遍历左子树，再后序遍历右子树，再访问根节点

注意点：

1. 以根访问顺序决定是什么遍历

2. 左子树都是优先右子树

基本信息

• 标题：Few-Shot Learning with Global Class Representations
• 年份：2019
• 期刊：ICCV
• 标签：global class representations, few-shot learning
• 数据：miniImageNet，Omniglot

创新点

1. 通过在训练阶段引入新类的数据，同时对基类和新类学习全局类别表征，并利用样本生成策略解决类别不均衡问题，有效防止模型在基类数据中出现过拟合的现象，从而提高了模型泛化到新类的能力。
2. 方法可以很容易的扩展到广义小样本学习（相比标准小样本学习，广义小样本学习中测试样本不仅包含新类，还包含了基类）。
3. 所提的方法在标准小样本学习与广义小样本学习的benchmark上均取得了很好的效果。并且在广义小样本学习上，性能的提升更大。

创新点来源

最近快要面试了，再刷一遍剑指Offer，看大家分享刷LeetCode和剑指Offer的时候都是有模板的，如果按照随机顺序刷，很容易忘记而且不容易总结刷题思路。所以常常把一类题放到一块一起刷。

《剑指Offer》有如下优点：

• 很可能在面试中出现原题（至少在微软面试经常能遇到原题）
• 题量少，但是涵盖的内容较全，性价比较高
• 能培养一个良好的刷题习惯

缺点是：

• 题目较少，刷着容易过拟合
• 动态规划的题比较少，因此需要在力扣上专项训练。

最近在刷leetcode的时候，经常要用到标准库，这里总结一下标准库的常见用法，用于查询使用。

queue

queue模板类的定义在<queue>头文件中。只能在容器的末尾添加新元素，只能从头部移除元素。

与stack模板类很相似，queue模板类也需要两个模板参数，一个是元素类型，一个容器类型，元素类型是必要的，容器类型是可选的，默认为deque类型。

定义queue对象的示例代码如下：

基本概念

mAP: mean Average Precision，即各类别AP的平均值

AP: PR曲线下面积，后文会详细讲解

PR曲线: Precision-Recall曲线

Precision: TP / (TP + FP)

本篇文章主要参考了TensorRT(5)-INT8校准原理，并添加了一些自己的见解。

Low Precision Inference

现有的深度学习框架，如Pytorch、Tensorflow在训练一个深度神经网络时，往往都会使用 float 32（Full Precise ，简称FP32）的数据精度来表示，权值、偏置、激活值等。若一个网络很深的话，比如像VGG，ResNet这种，网络参数是极其多的，计算量就更多了（比如VGG 19.6 billion FLOPS, ResNet-152 11.3 billion FLOPS）。如果多的计算量，如果都采用FP32进行推理，对于嵌入式设备来说计算量是不能接受的。解决此问题主要有两种方案：

1. 模型压缩、剪枝。在这里不做讨论。
2. 在部署推理时（inference）使用低精度数据，比如INT8。当然训练的时候仍然采取FP32的精度。

下面从经验上分析低精度推理的可行性。

创新点

1. 对于WIDER FACE数据集，手动标记五个landmark坐标，这种额外监督信息对于hard face detection的性能提升有巨大的作用。
2. 在已有的监督分支下，并行的新增了一个额外的自监督mesh decoder分支，用于预测pixel-wise 3D shape人脸信息。
3. 基于单阶段目标检测框架，提出了一种新的人脸检测方法RetinaFace，该方法采用多任务学习策略来同时预测face score、face box、five landmarks以及每个人脸像素的三维位置和对应关系
4. 在WIDER FACE hard测试集中，RetinaFace的AP比现有的最好方法提升了1.1%，达到了91.4%。
5. 通过使用轻量级的backbone，对于VGA分辨率的图片，RetinaFace能够在单CPU下实现real-time的速度。

基础知识

face localisation定义

狭义上的face localisation的定义是传统意义上的face detection。广义上的face localisation包括了face detection、face alignment、pixel-wise face parsing、3D dense correspondence regression。