Gridea

HengVLM：我为自己的模型背书

Sat, 26 Sep 2026 19:48:10 GMT

重新开始更新博客，第一篇想写写 HengVLM。

之后开源的 HengVLM 系列模型，我会在下面加上这句 slogan：

My name. My model. I stand behind it.

模型性能表现好，大家可以给我点个赞；模型性能表现不好，大家喷我就完事了。

用自己的名字给模型命名，我是在用心做模型，模型如人，见模型如见人。

后面边做边写，慢慢积累。

How to train a deep neural network?

Sat, 14 Aug 2021 11:13:42 GMT

large batch size
Adam or SGD
learning rate
data auto augmentation
ResNeSt > ResNet
circle loss
weight decay:
1. WEIGHT_DECAY: 0.0005
2. WEIGHT_DECAY_BIAS: 0.

Datasets

Thu, 29 Jul 2021 15:20:54 GMT

COCO 2017

mAP

Tue, 04 May 2021 11:04:00 GMT

mAP

mean average precision
目标检测常用指标之一

To calculate mAP, we need to know what AP is.

mAP 就是不同 IoU threshold 下，AP 的平均值，CoCo 取 [0.50:0.05:0.95]。

To know what AP is, we need to know what P-R curve is.

AP 就是 P-R curve 与 X 轴和 Y 轴围成的面积，为计算面积，一般使用插值的方法，CoCo 取 [0:0.01:1]，共 101 个点，插值得到的 precision 为大于等于当前 recall 的最大 precision。

To know what P-R curve is, we need to know what precision and recall are.

规定：

all detetections: 所有检测框的数量
all ground truths: 所有 GT 的数量

则有：

查准率 $\text{precision} = \frac{TP}{TP + FP}=\frac{TP}{\text{all detections}}$
查全率 $\text{recall} = \frac{TP}{TP + FN}=\frac{TP}{\text{all ground truths}}$

当 IoU threshold 固定时，比如 IoU threshold = 0.5，所有的预测框都可以被分成 TP 和 FP 两大类：对于某个 GT，将 IoU 最大且 >= threshold 的预测框标记为 TP，其他的标记为 FP，即一个 GT 至多只能有一个预测框标记为 TP。
每个预测框都有一个置信度（confidence），我们根据置信度进行排序，选择预测框，可以得到不同的 (recall, precision)，然后 recall 作为自变量，precision 作为因变量，画出折线图，即可得到 P-R curve。

To know what precision and recall are, we need to know what TP, FP, FN and TN are.

ground truth (GT)

目标检测
IoU > threshold	TP	真阳性	同一 GT 只计算一次
IoU <= threshold	FP 误报	假阳性	IoU <= threshold 的检测框数量 + 同一 GT 多余的检测框数量
IoU > threshold	FN 漏报	假阴性	没有检测到的 GT 数量
IoU > threshold	TN	真阴性	计算 mAP 时不会使用

References

目标检测中的mAP是什么含义？ - AICV的回答 - 知乎

Self-Management Rules

Wed, 07 Apr 2021 15:03:21 GMT

除非要饿死了，否则坚决执行！

每周三晚上 6:00 ~ 8:00 打篮球

Update on 2021-07-28

Rule 1: Always BACKUP data.

Data is priceless!!!

code
- 每天：代码通过测试之后，commit code。
- 每周五：current best 代码打成 tar 压缩包，命名为 W20210726_commitment_result，拷贝到？？？。
- 月末周五：本月代码打成 tar 压缩包，命名为 M20210701_commitment_result，拷贝到？？？。
- 年末周五：本年代码打成 tar 压缩包，命名为 Y20210101_commitment_result，拷贝到？？？。
data
- 数据集建立好之后立刻完整备份，并且只能够通过只读模式访问，绝对禁止写入。

Rule 2: FOCUS on what matters.

每件事情划分成小块去解决，每个小块 45 分钟左右，如果不能划分成小块，说明对任务了解不够透彻，需要进一步深入了解。

Rule 3: CONTINUE previous work.

不要放弃之前的工作，而是应该不断完善之前的工作，没有人能够在一开始就把事情做到完美，完美主义不可取。

Rule 4: LESS categories.

少分类。对于所以分类行为，最好不超过十个。所有资料都可以分成八个类别，几乎能涵盖所有资料，分别是

个人管理（00_）
身体健康（01_）
家庭生活（02_）
能力提升（03_）
社交人际（04_）
财富自由（05_）
兴趣爱好（06_）
工作事业（07_）

然后单独开辟一个工作台（workspace）用来存现在正在做的事情，比如写论文，比如某某活动，最后活动结束的时候直接归档。

Rule 5: Storage ISOLATION: Code and Data.

新建一个项目，按照以下格式存放代码和数据：

code
- 00_method1
  - configs
    - 00_config1
    - 01_config2
  - logs
    - 00_log1
    - 01_log2
  - output
    - 00_output1
    - 01_output2
- 01_method2
data: 数据集建立好之后立刻完整备份，并且只能够通过只读模式访问，绝对禁止写入。
- 00_dataset1
- 01_dataset2

Rule 6: Think TWICE before do.

做事情之前先想清楚：

为什么要做这件事？可以从做这件事的好处和不做这件事的坏处来思考。
一定要做这件事吗？一定要做，继续下个问题；不一定要做，降低优先级。
怎样做好这件事？可以思考：有哪些方案？这些方案的优点和缺点是什么？权衡之后，那个是最好的方案？
怎样保证做的是对的？可以思考：怎样验证自己做的对不对？

以写代码为例，写代码之前先想清楚：

为什么要写这段代码：写了有什么好处，不写有什么坏处。
一定要写吗？为什么一定要写，没有其他的办法吗？
有几种方案去写，工作量大不大，时间复杂度怎么样，空间复杂度怎么样
怎样去测试写的代码对不对？

Update on 2021-07-31

Rule 7: 不要把生活情绪带入工作，也不要把工作情绪带入生活

Update on 2021-08-13

包括电视剧、电影中的气人剧情，看看就好，不要自己气自己。

Update on 2021-08-05

Rule 8: Always Set Aside 20% of the time.

计划总是赶不上变化，安排任务时永远留出 20% 的时间以防万一，给自己多留条退路。以 plan tomorrow 为例，永远只安排 9:00 a.m. ~ 5:00 p.m. 这 7 个小时，剩余的时间自由安排。

Rule 9: 要事优先，及时决策

对事件优先级进行决策判断确实需要许多复杂的分析，但是更重要的是，在进行「要事优先」的决策时拿出应有的勇气。在决定哪些事情应该优先、哪些事情可以延缓的问题上，可以采用与「勇气」密切关联的两条重要原则作为决策思路，它们包括

重将来而不重过去；
重视机会而不只看到困难。

Rule 10: 重视贡献

把目光集中在贡献上，重视「目标」和「结果」。
我们可以尝试在完成待办事项之前，用「检查事项」功能写下对这一任务的期望达成效果、目标和质量，以此为导向指导我们在完成事项时的行为，并在最后逐一核对，为调整今后目标和改进行动提供依据。

Rule 11: 厚脸皮

死猪不怕开水烫
忘记过去，千万不要对过去的事情耿耿于怀！

README

Thu, 01 Apr 2021 14:56:09 GMT

why did I make it? 
why did I fail?

single feature
feature mean pooling
feature max pooling
https://www.bilibili.com/video/BV1Xp4y1b7i

Target

2021-04-12 -> 2021-04-18

Date	Sleep before 1:00	Selfie	Squat * 20
2021-04-12
2021-04-13
2021-04-14			Y
2021-04-15
2021-04-16
2021-04-17
2021-04-18

Academic

Coding

git

放弃工作区修改，一定不能忘记--，否则就是切换 branch 了。

git checkout -- filename

Bookmarks

https://www.novipnoad.com/anime/134365.html

Buying

显示器最低分辨率 2k

Ideas

Use a neural network to substitute non-maximum reppression (NMS).
VAE and face recognition

Machine Learning

precision and recall

Ground Truth \ Prediction	Positive	Negtive
True	TP	TN
False	FP	FN

\text{precision} = \frac{TP}{TP + FP}

\text{recall} = \frac{TP}{TP + FN}

去医院看病
有病，诊断有病	TP	真阳性
没病，诊断有病	FP	假阳性	误报
有病，诊断没病	FN	假阴性	漏报
没病，诊断没病	TN	真阴性

Math

概率：理论值
频率：实验值

Normal Distribution

对于正态分布 $X \sim \mathcal{N}(\mu, \sigma)$ ，其概率密度函数为 $f(x) = \frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)$ 。
如果 $X \sim \mathcal{N}(\mu, \sigma)$ ，那么 $\frac{X - \mu}{\sigma} \sim \mathcal{N}(0, 1)$ 。（证明：普通正态分布如何转换到标准正态分布）

如果 $X \sim \mathcal{N}(0, 1)$ ，那么 $f_1(x)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)=\frac{1}{\sqrt{2 \pi}} \exp \left(-\frac{x^{2}}{2}\right)$ ；

如果 $X \sim \mathcal{N}(0, \sigma)$ ，那么 $f_2(x)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{x^{2}}{2 \sigma^{2}}\right)$ 。

\frac{f_2(x)}{f_1(x)} = \frac{\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{x^{2}}{2 \sigma^{2}}\right)}{\frac{1}{\sqrt{2 \pi}} \exp \left(-\frac{x^{2}}{2}\right)} = \frac{1}{\sigma}\exp \left( -\frac{x^{2}}{2} \left( \frac{1}{\sigma^2}-1\right) \right) = \frac{1}{\sigma}\left[\exp \left( -\frac{x^{2}}{2} \right)\right] ^ {\frac{1}{\sigma^2}-1}\\ = \frac{1}{\sigma}\left[ \sqrt{2 \pi}f_1(x) \right] ^ {\frac{1}{\sigma^2}-1} = \frac{1}{\sigma}(2 \pi)^{\frac{1 - \sigma^2}{2\sigma^2}}\left[f_1(x)\right]^{\frac{1}{\sigma^2} - 1}

f_2(x) = \frac{1}{\sigma}(2 \pi)^{\frac{1 - \sigma^2}{2\sigma^2}}\left[f_1(x)\right]^{\frac{1}{\sigma^2}}

Sentences

"Maturity is learning how to start when you feel like procrastinating and learning how to listen when you feel like talking."

From James Clear james@jamesclear.com via h.ckdlv.net
"Solve big problems early.
Rebound after one missed workout, not a decade of inactivity.
Repair a strained relationship the next day, not years later.
Fix overspending before it becomes a lifestyle.
Problems with simple solutions at first become difficult to unwind over time."

From James Clear james@jamesclear.com via h.ckdlv.net

Travel

Hello Gridea

Tue, 11 Dec 2018 16:00:00 GMT

👏 欢迎使用 Gridea ！
✍️ Gridea 一个静态博客写作客户端。你可以用它来记录你的生活、心情、知识、笔记、创意... ...

Github
Gridea 主页
 示例网站

特性👇

📝 你可以使用最酷的 Markdown 语法，进行快速创作

🌉 你可以给文章配上精美的封面图和在文章任意位置插入图片

🏷️ 你可以对文章进行标签分组

📋 你可以自定义菜单，甚至可以创建外部链接菜单

💻 你可以在 Windows，MacOS 或 Linux 设备上使用此客户端

🌎 你可以使用 𝖦𝗂𝗍𝗁𝗎𝖻 𝖯𝖺𝗀𝖾𝗌 或 Coding Pages 向世界展示，未来将支持更多平台

💬 你可以进行简单的配置，接入 Gitalk 或 DisqusJS 评论系统

🇬🇧 你可以使用中文简体或英语

🌁 你可以任意使用应用内默认主题或任意第三方主题，强大的主题自定义能力

🖥 你可以自定义源文件夹，利用 OneDrive、百度网盘、iCloud、Dropbox 等进行多设备同步

🌱 当然 Gridea 还很年轻，有很多不足，但请相信，它会不停向前 🏃

未来，它一定会成为你离不开的伙伴

尽情发挥你的才华吧！

😘 Enjoy~