初试three.js,一个小demo

之前看过一点webgl编程指南,确实很难消化。所以过段时间再来朝花夕拾。 这次直接使用webgl的一个库three.js,能更方便的实现功能。 先可以点击这里看最终效果。 基本的几步就是:定义舞台,定义透视摄像机,定义渲染器,定义灯光,画爱心,填充爱心,向舞台中心增加爱心,随机向外扩散。 下面是html代码 <!DOCTYPE html> <html lang="en"&g......

yolo在windows训练自己的数据集

上次讲了配置yolo,可以戳这里看哦! 这次讲讲yolo用于训练自己的数据集。 首先还是数据准备,比如人脸检测,那就先准备很多包含人脸的图片。 然后需要数据标注,也就是标出人脸在图片内的位置。这里用一个叫labelImg的工具。具体下载和使用看这里https://github.com/tzutalin/labelImg。 然后在图片文件夹里运行labelImg,会有个gui界面,之后就可以对......

yolo v2在windows的配置

这里讲讲yolo在windows的配置,实际操作可行,这里使用时电脑为win8.1。 开始前可以到nvidia官网先看看显卡是否支持gpu哦! 首先下载vs2015,cuda,cudnn并配置好,这里不多叙述,标准就是:能在vs创建一个cuda项目并运行他的默认导入的代码并得到结果。在下载个opencv2.4.9,这里2.49是项目需求,改其他版本的话得改代码。 之后使用了git下载gith......

用ReactNative做一个简单新闻app

这里先从最近看ReactNative文档发现的expo说起,因为使用expo可以直接在ios或者安卓展示ReactNative的效果,门槛突然降低了许多,因此,突发奇想试试做native app。 首先可以按照ReactNative的GetStart配置完环境并完成一个hello world! 总体如果有node和npm的话就以下两步: npm install -g create-react......

php实现RSA加密

RSA加密具体细节这里就不说了可以自行搜索。这里做php实现的例子。 思路:在服务器端php先产生一个公钥给js用于加密,同时产生一个私钥用于解密并保存在session中,js获取用户输入并用公钥加密,然后将加密的字符串提交到后端,后端php用私钥解密后得到实际用户输入。 这里主要安全的一点就是信息传输过程中始终是加密后的字符串,即使被抓包也无法得到实际用户输入。 首先下载用于rsa加密的一......

使用python的jieba,wordcloud做唐诗分析

首先安装好python3.x以及jieba,wordcloud库,这是前提。 然后搜罗了一份唐诗的txt文档,具体看这里。 思路:先用jieba把每首诗标题去掉,提取出正文。再jiaba.cut做分词,分完的词保存下来,再用worcloud作词云,具体可以看wordcloud文档。 具体代码: #coding:utf-8 #python3.5 #引入库文件 from wordcloud im......

几个loading动画---可更新

因为网络等因素,有时候浏览器加载页面时间会很长,一直让用户看着白屏幕也不好。 所以需要有loading动画来挽留用户。 这个动画可以用css实现,也可以用js实现。 这里先举两个简单的css的例子: 点击这里看演示 另一个演示 <!DOCTYPE html> <html lang="en"> <head>     <meta charset="UTF......

使用dlib实现人脸检测和笑脸识别

人脸检测技术,在深度学习之前,特征+分类器一直是最好的选择,dlib便是用hog特征+级联分类器实现了认脸的检测,它本身是用c++写的,但也有python接口。要看具体的文档可以到dlib官网,这里只实现一个简单的应用。这是一个认脸定位+是不是笑脸的分类的应用。使用dlib定位,使用sklearn的svm来完成分类,笑脸与不笑脸是预先训练的,数据得自行准备。准备笑脸的图放在smile文件夹下......

svm分类器---sklearn

刚开始理解svm(支持向量机)还是挺复杂的,现在稍微有了一点思路,便写下来。由于代码实现中对于svm基本是黑盒,所以这里直接讲一下,再用代码实现。 在线性的情况下,svm就直接找一个超平面(下面就是那条线)来分割不同的两类。比如这个二分类,在超平面上的点距离这条线为0,定一侧距离这条线为正,一侧距离这条线为负,那么只要找到两类点和超平面最大的距离和就行。 #python2.7 #codin......

单变量非线性拟合和逻辑回归

之前讲过最简单的线性拟合和逻辑回归,但常常的情况并不是一条直线就能解决问题的,所以来研究一下非线性的。 总体方法还是和之前差不多的,只是改变了初始的变量的指数。首先列出式子,求cost function(代价函数,一般理解就是拟合的线与实际的点差多少距离经过处理的总和)。在根据梯度下降最小化cost function,就可以求得接近点的一组系数解,也就是下面的θ,之后就得到直线了。 先来看......