tensorflow中的图及其持久化和加载

在我们创建tensorflow工作的时候，tf就默认生成了一个图，这就是我们的默认图。通过tf.get_default_graph() 可以得到。graphdef是图的描述，说白了就是图的各种信息的集合。 继续阅读“Tensorflow的一些笔记”

本月已经是2017年的最后一个月了，再有26天，各种旧年总结和新年计划就该上线了吧。这倒是没有任何问题的，但我不喜欢去扎堆。所以在现在来写点东西，以备纪念，也以备在17年剩下的二十多天中有所改变。

今年从过完年开始，就该觉自己没有去年那么努力了。硬要说个为什么的话，去年刚从机械走出来，走向“cs”，各种新鲜的东西和技术目不暇接，也产生了很大的动力，使得自己很用功的去学习。我就是这么一个人，对新的东西都会有不小的兴趣，但随着时间的推移，兴趣就会逐渐变小，要说消失到也不至于，但就没有刚开始那么大的动力了。这大概就是所谓的“边际递减”吧。

继续阅读“鸡年与狗年的夹缝，我就是鸡狗不如的辣子鸡！”

前两天，我正在开开心心地撸着我的python，“领导”（没有其他合适的称谓了 ）突然找到我说，他需要一个dll（动态链接库），功能是实现鼠标在指定的位置实现单击、双击、右击以及键盘输入，因为人家的软件是成品，没有可提供的接口使用。然后他就走了，剩下一脸懵逼的我。

继续阅读“Windows下模拟鼠标与键盘输入，及其在LabVIEW中的运用”

笼统的讲，SLAM问题其实就是一个优化问题，因此，我们有必要讨论一下优化中非线性优化。具体的包括了最小二乘、梯度下降法、搞死牛顿法以及LM方法。 继续阅读“SLAM中的基础数学4：非线性优化”

所谓模型（指数学模型），就是对一个系统中各个变量、参量等等各种量之间的作用关系的一种描述，很多时候这种描述是通过方程组的形式给出的。我们这里的相机模型是指从一个三维空间坐标（实物）投影到二维平面坐标（相片）的变换关系。 继续阅读“SLAM中的基础数学3：相机与图像”

在机器学习中不可避免的会接触到信息熵和交叉熵这些个东西，这是绕不开的。然后，笔者就去网上查阅资料，作为一个机械狗，结果自然是越看越懵逼，就搁置了一段时间。今日回头反复咂摸，似乎又了那么一点味道。于是特记于此，以为进步之脚印。

继续阅读“浅谈我自己眼中的信息熵”

本节我们主要说说李群和李代数。笔者的专业是机械工程及其自动化，方向还是冶金机械，所以，对李群李代数的理解就停留在“这个东西是这个样子啊”的水平。但是我还是要说一说，从我的经验来讲，对跟我一样的工程类的学生应该是一点启发的。当然我最想说明的是，不要畏惧新的未学过的知识，你越是害怕它，就越是不懂它在说什么。只要按照书上的或者前人的思路一步一步走，不懂的地方反复琢磨，最后都能知道它在讲什么有什么用。好了，废话不要说得太多了，现在开始。

继续阅读“SLAM中的基础数学2：李群与李代数”

SLAM这个坑中的一些知识和体会，以后方便回顾。主要还是从高翔那里获得很多理解，但也添加了不少我的理解。好了，话不多说，今天就先从三维空间开始。

继续阅读“SLAM中的基础数学1：坐标变换”

话不多说，我这里先给出我们的系统的模型方程，状态转移方程：

$$x_k=Ax_{k-1}+u_k+w$$

测量方程：

$$z_k=Cx_k+v$$

需要说明的是，这里的\(A、C、w、v\)也可以是随\(k\)变化的，但是为了简便，也符合绝大部分的工程应用实际，我们假定它们是固定的常数和时平稳，并不影响对结果的讨论。其中\(w\sim N(0,R)\)，\(v\sim N(0,Q)\)

然后我这里给出相应的滤波过程:

1. 预测\begin{equation}\bar{x}_k=A_k\hat{x}_{k-1}+u_k\label{eq:1}\\ \bar{P}_k =A_k\hat{P}_{k-1}{A_k}^T+R\end{equation}
2. 更新\begin{equation}K=\bar{P}_k{C}^T{(C\bar{P}_k{C}^T+Q)}^{-1}\\ \hat{x}_k=\bar{x}_k+K(z_k-C\bar{x}_k)\\ \hat{P}_k=(I-KC)\bar{P}_k\end{equation}

继续阅读“卡尔曼滤波”