NotionNext BLOG https://tangly1024.com/ 这是一个由NotionNext生成的站点 Thu, 15 Jun 2023 04:26:16 GMT https://validator.w3.org/feed/docs/rss2.html https://github.com/jpmonette/feed zh-CN All rights reserved 2023, NotionNext <![CDATA[Windows下WSL系统配置]]> https://tangly1024.com/article/wsl-ubuntu https://tangly1024.com/article/wsl-ubuntu Wed, 19 Oct 2022 00:00:00 GMT

安装WSL

Ubuntu子系统安装

  • 首先打开开发者选项
notion image
  • 在控制面版中启用适用于 windows的linux的子系统 和 虚拟机平台
notion image
  • 更新Linux内核
  • 设置WSL2为默认版本
notion image
  • 在微软商店中搜索下载合适版本的Ubuntu
notion image
安装完成后第一次打开会提示建立用户名和密码，按照提示操作即可

WSL位置迁移

WSL的默认位置在C盘，所以一般我们都会将其迁移到其他盘中
  • 关闭WSL
  • 导出WSL
notion image
  • 删除迁移前系统
  • 导入WSL
注：如果是从微软商店下载的ubuntu系统，导入后在命令行继续执行 ubuntu1804 命令会使用商店下载内容重新创建一个Ubuntu的分发，可以卸载原先商店的安装内容避免这个问题。

配置Ubuntu系统

换源

为了提高apt的下载速度，换源是必不可少的。
  • 首先备份原来的源文件
  • 修改配置文件
  • 添加阿里云的源
notion image
更新源 sudo apt update
notion image

安装wsl-cuda

参考官方页面安装流程：
  1. 打开WSL终端，并导航到下载文件所在的目录。
  1. 安装gcc
    1. 访问官方页面，下载CUDA。
      1. 在bashrc文件中添加：
        1. 刷新环境 source ~/.bashrc ，并测试 nvcc -V 和 nvidia-smi
            2. notion image
            notion image

        安装miniconda及pytorch

        miniconda安装

        1. 在官网中获取下载链接，并在WSL中下载
          1. 执行sh文件，根据提示进行安装
            1. 在新终端窗口中新建python 3.8虚拟环境

              安装pytorch

              1. 执行命令 conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

              错误记录

              1. 关于开了奇奇怪怪东西以后虚拟机无法正常启动的问题（即安装linux后打开卡在Installing命令）：
                  2. 参考https://zhuanlan.zhihu.com/p/361310073解决
              1. 安装cuda时出现报错 /sbin/ldconfig.real: /usr/lib/wsl/lib/libcuda.so.1 is not a symbolic link
                  2. 参考文章：
                  • 在Windows中删除libcuda.so 和libcuda.so.1 文件（文件在 C:\Windows\System32\lxss\lib）
                  • 在WSL中执行：
                     
                     
                     
                     
                ]]>                                 <![CDATA[数据集生成调研]]> https://tangly1024.com/article/dataset_reasearch https://tangly1024.com/article/dataset_reasearch Thu, 08 Dec 2022 00:00:00 GMT

                数据集生成研究

                脏污检测数据集现有方法

                SoilingNet

                尝试了CycleGAN和MUNIT，但MUNIT没有收敛
                notion image
                 
                CycleGan生成的脏污图片，每组图片左边为原始图像，右边为生成脏污图像
                notion image
                网络部分框架
                CycleGAN的主要问题是生成的生成图像影响了图像的整体信息，对脏污以外的图像也造成了模糊影响。

                DirtyGAN

                notion image
                脏污生成baseline
                • 在清晰图像上使用CycleGAN生成脏污图像I
                    • s
                • 通过语义分割网络M对脏污图进行分割，然后通过高斯模糊处理分割结果得到脏污遮罩m = γ( M ( Is ))
                • 对于m而言，0表示背景，1表示污染，中间值为半透明污渍
                • 最后利用脏污遮罩将清晰图像和脏污图像进行结合
                ​ 局限性：
                • 对于水引起的污染不能很好的工作
                • CycleGAN会影响所有像素
                • 无法控制脏污图案生成过程
                • 无法确定在何处生成脏污
                notion image
                利用VAE指导生成过程，在修改CycleGAN基础上的DirtyGAN网络

                生成对抗网络研究

                 
                notion image
                GAN网络结构
                主要由生成器 G（generator）与判别器 D（discriminator）两部分组成。 G 网络主要负责产生一 个分布尽量接近真实的样本，尽可能地去欺骗 D 网络；而 D 网络主要负责识别进入判别器的样本数据， 尽可能地分辨出真实样本和虚假样本。生成模型 G 与判别模型 D 是完全独立的，它们互相对抗，其优化过程就是独立交替迭代训练

                DCGAN

                notion image
                DCGAN网络结构
                1. 用卷积层 替代池化层；
                1. 取消全连接层，直接使用卷积层连接 G 和 D 的输入层和输出层；
                1. 在网络结构中，除 了 G 的输出层及其对应的 D 的输入层外，其他层上都采用了批量归一化；
                1. G 的输出层使用Tanh激活函数，其余层均使用ReLU函数激活；
                1. D的所有层使用LeakyRelu函数激活

                CycleGAN和pix2pix

                CycleGAN 实现了图像从源域 X 到目标域 Y 的转换，且不 需要成对的图片作为训练数据。Cycle-GAN 的模型 为环形结构，由两个生成器和两个判别器组成。 X 域的图像由生成器 G 转换成 Y 域的图像，再通过生 成器 F 将 Y 域的图像重构回 X 域的原图像；Y 域的 图像由生成器 F 转换成 X 域的图像，再通过生成器 G 将 X 域的图像重构回 Y 域的原图像。由判别器 Dx 和 Dy ，判定图像是否完成风格迁移。
                pix2pix解决了成对数据的图像翻译问题，CycleGAN利用非成对数据也能进行训练

                SAGAN

                将 attention model 中的 self-attention和原始 GAN结合在一起，实现应用低分辨率图像中的所有特征点来生成高分辨率的细节特征，并在训练过程中利用光谱归一化来提升生成器的训练效果。SAGAN 的生成网络和判别网络都采用注意力机制。
                 
                 
                ]]>                                 <![CDATA[脏污检测研究]]> https://tangly1024.com/article/soiling-detection-research https://tangly1024.com/article/soiling-detection-research Tue, 08 Nov 2022 00:00:00 GMT <![CDATA[数据集建立基本思路]]> https://tangly1024.com/article/dataset_build https://tangly1024.com/article/dataset_build Wed, 23 Nov 2022 00:00:00 GMT <![CDATA[研究方向调研]]> https://tangly1024.com/article/od-research https://tangly1024.com/article/od-research Thu, 27 Oct 2022 00:00:00 GMT