一位保守党政客讲得再清楚不过，穷人全都“必须要不断地吃，不断地喝，不断地工作，不断地死去”。

Initialize:

1

import tensorflow as tf

2

import numpy as np

3

4

dir = './model/tf_savedmodel'

5

zeros = tf.constant(np.zeros([1, 640, 960, 3]), dtype=float)

Work:

1

model = tf.saved_model.load(dir)

2

output = model.signatures['serving_default'](zeros)

1

model = tf.saved_model.load(dir)

2

output = model(zeros)

Failed:

1

model = tf.saved_model.load(dir).signatures['serving_default']

2

output = model(zeros)

1

tensorflow.python.framework.errors_impl.FailedPreconditionError:  Error while reading resource variable conv5_block17_0_bn/gamma_96932 from Container: localhost. This could mean that the variable was uninitialized. Not found: Resource localhost/conv5_block17_0_bn/gamma_96932/N10tensorflow3VarE does not exist.

2

	 [[{{node StatefulPartitionedCall/fusion_network/conv5_block17_0_bn/ReadVariableOp}}]] [Op:__inference_signature_wrapper_21102]

3

4

Function call stack:

5

signature_wrapper

Nano 的4G内存太小了（最近还出来一个2G版nano >_<），模型跑不动的患者可以通过以下几个步骤减少内存消耗。

1. 关闭用户图形界面
sudo systemctl set-default multi-user.target
sudo reboot

开启用户图形界面
sudo systemctl set-default graphical.target
sudo reboot

2. 切换图形界面
默认图形界面为Unity，Ubuntu 18 系统自带Gnome3，可切换到 lxde 以节约内存。

• GNOME3 :1047M
• Unity: 517M
• xfce: 247M
• lxde: 214M

3. 关闭 dockerd 节约 49M

Give an image, the task is to generate natural Question based on the image.

• Another list of VQA https://github.com/jokieleung/awesome-visual-question-answering
• A survey of Image Caption in Chinese https://zhuanlan.zhihu.com/p/27771046
• Survey of the State of the Art in Natural Language Generation: Core tasks, applications and evaluation [Link

0x01 Tensorflow 2.0

1.1. Convert

keras hdf5 –> .pb

1

# V2 behaviour is disabled by default in Jetpack 4.4.DP.

2

import tensorflow.compat.v2 as tf

3

from tensorflow.keras.models import load_model

4

5

model = load_model('./model/fer2013_mini_XCEPTION.102-0.66.hdf5')

6

model.save('./model/tf_savedmodel', save_format='tf')

• 自然交互：更接近与人之间的交互方式。 PC：键盘鼠标；移动：触控；现在：语音、手势、图像。
• 云端一体：
• 场景智能：主动感知、用户理解、个性化推荐、智能决策。

0x01 多模态自然交互

5G加速智联网时代的到来，多模态数据成为主流
电阻屏=>电容屏：流量从PC时代走向移动时代
多模态自然交互：移动时代走向智联网时代

• 1976 发现麦格克效应
• 2015 200 citation–>3000+ citation. 有代表的论文 VQA: Visual Question Answering (ICCV 2015)
• 2016 多个大型多模态数据集发表 (Youtube8m, audioset)
• 2017 VoxCeleb 发布（多模态自然人识别数据集）
• 2018 视觉语音降噪，虚拟人合成技术

0x00 Velodyne 简介

1. 数据结构及坐标系

Velodyne 通过网线发送的原始数据包为球坐标（spherical coordinates, r, ω, α）。它的 ros driver 提供了两种更方便的格式：/velodyne_points和/velodyne_scan

其中，/velodyne_points是转换为XYZ后的坐标，转换的方式如下图；/velodyne_scan为第8根线的scan值（可直接用来模拟单线雷达）。

0x01 制作标定板

• 在线生成棋盘格 https://calib.io/pages/camera-calibration-pattern-generator
• 在线生成aruco http://chev.me/arucogen/

0x02 相机标定

• camera_calibration: 使用棋盘格进行标定；
• kalibr: 这个感觉更专业一些，可以同时标多目和IMU。

0x03 雷达–>相机外参标定

目前我成功的有两种方法：

• autoware_camera_lidar_calibrator : 不需要自制标定板，需要手动人工点击9个点
• velo2cam_calibration : 全自动，需要定制一个标定板

又到写年终总结的时间了

毕业工作了

0x00

对文本进行OCR前，必须分析和定义文档的逻辑结构。 例如文本块、段落、行的位置；是否有应该重建的表格；是否有“图像”“条形码等”。

文档布局分析 (Document Layout Analysis) 是识别和分类文本文档的扫描图像中的感兴趣区域（RoI, Regions of Interest) 的过程。阅读系统需要从非文本区域分割文本区域，并按正确的阅读顺序排列。将文本正文，插图，数学符号和嵌入文档中的表格等不同区域（或块）的检测和标记称为几何布局分析。但文本区域在文档中扮演不同的逻辑角色（标题，标题，脚注等），这种语义标记是逻辑布局分析的范围。

文档布局分析是几何和逻辑标签的结合。它通常在将文档图像发送到OCR引擎之前执行，但也可用于检测大型存档中同一文档的重复副本，或者通过其结构或图示内容索引文档。

淘宝的搞活动临时拉我跑龙套，拍了几张照片

网上的解决方案大多是删除已经安装的arm64包，然后执行dpkg --remove-architecture arm64，但是错误在下次刷机后依然会出现

几个月前在计算所用rplidar做过一个送咖啡机器人。可是运用到室外场景Lidar成本太高，于是转战视觉SLAM。
花了几天时间用gazebo仿真，跑通了ORB SLAM2框架。

0x01 神经网络的表示

首先要理解神经网络每一层的表示方法，搞清楚每个变量的意义，如下图：

这一节教你手撸逻辑回归。
逻辑回归可以解决简单的二分类问题，比如下图的猫，通过一系列计算后得到它是猫的概率

对应《神经网络和深度学习.第二周.作业1》

归一化

很多非数学背景的同学不知道归一化有什么卵用。简单来说，向量可以表示方向和长度；通过归一化后，向量的长度 = 1，方向不变，使得向量仅代表特征的方向。优点是归一化后梯度下降得更快。（下图）

执行 nvidia-smi 显示： NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.

这三个算法是好几年前就好奇但一直没搞懂的神奇算法

当宿命从你门前走过的时候，芸芸众生总是显得那么渺小

0x00 LCS

最长公共子序列跟最长不降子序列以及最长公共字串都不是一回事。这种用搜索时间复杂度太高的问题一般都会选择用DP来解决。状态转移方程为：

$$c[i,j] = \begin{cases}
0, & i=0 \text{ or } j=0
\\ c[i-1,j-1]+1, & x_i =y_j
\\ max(c[i-1,j],c[i,j-1]), &x_i \neq y_i
\end{cases}$$

有多少人，终其一生只为摆脱原生家庭

2017年应该是最折腾的一年，为了传说中的梦想从深圳到了北京，离开了我超喜欢的一个领导，到计算所后由期待到失望…

时间过的很快，因为把时间都浪费在搬家和融入新团队中了。不过忙忙碌碌的好处就是没有时间发呆和难过了哈哈哈 >_<

不过我喝咖啡从来不是为了提神的 这个世界上唯一提神的东西就是你今天必须完成的事情呀

博士只考一门数据结构与算法分析，如果这都考不过那就真的重在参与了。本文把看完书以后手撸的代码贴出来，留个纪念。

Tensorflow 的使用者虽多，但真的很难用。幸亏有基于TF和Theano的高层框架Keras（不幸的是Theano已经停止更新了）。我们通过MNIST来熟悉一下Keras。

先推荐一个学习线性代数的教程http://www.bilibili.com/video/av6731067/，不管你多忙也请看上面这个视频。
3Blue1Brown制作，深入浅出、直观明了地分享数学之美。

调了一下午参数调到怀疑人生，最后发现是参数配置文件没有同步 - -
晚上遗留的一大堆Bug，第二天都自动消失了
肯定是有会写代码的海螺姑娘偷偷入侵了我的电脑 >_<

去年10月份左右从咸鱼买了一把号称93年产原装无修改的Fender vintage 57 stratocaster，拆开看了一下，琴颈的生产日期是1993.05.21，还挺有纪念意义的。但就在我买了新拾音器准备改装它的时候，好像发现了一个天大的秘密。

来北京一个月，一直蜗居在一个小屋里，没有钱花+前途迷茫的感觉真是浑身难受。
我现在的任务是接手之前几个客座生的项目，用Turtlebot做一个送咖啡机器人。第一周的时间用来搭建一个完整的demo