“其实我一直都很努力”

“因为我知道，只有靠我自己努力，才能够得到我想要的东西”

这个世界上，别人不会在意你多努力，所以，你要更对得起你自己，共勉。

不知不觉两年过去了~时间不等人。再坚持一天吧，再多努力一点。

耐力、毅力、动力。

努力会让你有选择的权利。

人生就是要不断地尝试。

你的负担将变成礼物，你受的苦将照亮你的路。

第一个，基于FPGA人脸验证的招生系统
主要工作与成果
挑战：信息可靠、验证用户身份准确率，部署神经网络（计算密集型，要加速）
前端VUE＋后端node→数据库mysql，FPGA连接后端
FaceNet，输入图像→主干网络→L2标准化→嵌入特征→三元组损失Triple loss（锚示例，正示例，负示例）
数据集CASIA-FaceV5（2300），并裁剪人脸，训练100代
不同主干网络实验结果对比：inception-resnet-v1，mobilenetv1，mobilenetv2，mobilenetv1-shallow
选用：mobilenetv2
选择维度，80 128 176对比
人脸认证应用架构
*zynq端：权重在DDR，SD卡，IP核5个，（普通卷积IP，深度卷积IP,逐点卷积IP，shortcutIP，特征向量生成IP）
前端模组（PC摄像头，MTCNN检测人脸，裁剪人脸）→（TCP)→后端模组（K-D tree，mysql，Node.js)
后端模组→（Socket）→ZYNQ
一、普通卷积IP：输入照片（3,224,224），填充1，卷积层（32,3,3,3），步长2，输出特征图（32，112,112）
最小输入（3,57,57），卷积核（8,3,3,3），输出（8，28,28）
数据加载：axi4协议的突发传输，DDR→PL
数据加载：pipeline流水

    寻址→读数→赋值
         寻址→读数→赋值

卷积层循环4次，dataflow最优化
输出层循环16次，乒乓流水
二、逐通道DW卷积：输入层→深度卷积→输出层
最小块：

步长为1：输入特征图（8，10,10）卷积层（8,3,3）输出层（8,7,7）
步长为2：输入特征图（8,16,16）卷积层（8,3,3）输出层（8,7,7）

dw卷积计算函数loop=HWC/7/7/8
三、逐点PW卷积
输入特征图（8,7,7）卷积层（8,8,1,1）输出特征图（8,7,7）。
输入通道M，输出通道N，特征图大小HW，总的循环次数loop=MNWH/8/8/7/7

四、shortcutIP：
将输入和输出进行相加，方法：pipeline+unroll
五、特征向量生成IP：
1、平均池化，77图像，相加除以49，得11图像
2、128维全连接
最小输入（32,7,7），输出（128），循环40次。
上板验证对比：CPU（PC),CPU(服务器），FPGA,GPU，功率，时间，准确性。

老师：
在FPGA里面跑的不叫部署网络，叫电路。
讲好为什么要裁剪。
讲好，足够准确的网络，足够简单的网络的选用原因。
三元组损失Triple loss，重点讲清楚

第二个、做了一个电商系统＋推荐算法
主要处理了三个问题
1、稀疏性问题：数据填充：填充项目内容信息、用户对项目的标签信息、用户对项目的隐式反馈数据。

          数据预处理：矩阵划分、聚类、矩阵降维（SVD算法，Funk_SVD算法，SVD++算法）等机器学习的方法。

2、冷启动问题：随机推荐法、平均值法、众数法。
3、扩展性问题：降维、聚类、分类；

流程：老用户→原始数据→数据脱敏→SVD降维→用户因子矩阵→K-Means聚类→预处理后数据→本簇内计算相似邻居→喜好度计算→产生推荐。

第三个，基于RGB和DSM的遥感图像地物提取方法研究
1、RGB图像含有地物的颜色纹理特征
2、DSM数据含有地物的高度特征
3、融合多模态特征提升地物提取精度
4、方法一：基于单一RGB的语义分割算法：全卷积神经网络
方法二：基于RGB-D的语义分割算法：数据层融合（4通道输入），决策层融合（双/多分支网络）。
5、研究内容：基于注意力机制的多模态多层次特征融合网络
①地物复杂，特征易混淆（CAM模块）
②下采样信息损失，增大感受（空洞卷积）
③保留网络中间层特征（多模态多层次特征融合）
④融合低阶信息特征和高阶语义特征（跳跃连接）
⑤提升上采样准确率（残差上采样）

       基于多模态协同融合和双注意力机制的语义分割算法

6、研究过程
①数据预处理（图像标注、图像分割、数据增强）
②已有语义分割算法实验（基于单一RGB,基于RGB-D)
③问题分析（非目标地物的干扰，模型对中间层特征的利用，多模态数据融合的方法）
④算法设计（注意力机制，多模态多层次特征融合，多模态协同融合）
⑤实验对比验证（对比实验，消融实验）
⑥结果分析总结（可视化分析，总结与展望）
7、数据集：矿区地物数据集、Postdam地物数据集
8、评价指标：混淆矩阵、总体识别精度OA，平均交并比MIoU，Kappa系数，精准率，召回率，F1度量
9、改进点：多模态协同融合模块MMF，改进的双注意力机制DAM

三个，工作量，都好大，我离毕业还剩两年了，还需要多多学习，赶紧学习呀。

1、圈子很小，你做的事或者事情引发的影响，很多人都会知道。
2、所有决策背后都有着原因，可能一开始不知道这个原因，且看事情发展就能猜出一二。
3、短视，你不知道你下个岗位是升是降，所以做好当前的功劳政绩。
4、打铁需要自身硬，做好当下工作，多学习各方面知识。

emmm，很难受。
数据库作业太难了。。mysql
工作提不起兴致，因为我感觉我好像看穿了一些事情，原来你认真推进的东西不如别人一句话。
你觉得自己处理好了一些事，也只是有领导帮我提前打了招呼。
考证报名就跪了。
bim二级和学校英语考试撞车了，我退费了。
二级造价师忘了交钱。。
二级建造师有两门和学校英语六级撞车了。

等于我要复习二级建造师的实务和英语六级就可了。
下半年考bim二级
明年考二建（管理、法规），一建（四科），二造（两科）

接着学深度学习和FPGA，在六月底前争取能实现一个。
接着上课
接着工作，包括工作内容的很多学习的东西。

我好垃圾，啥也不是。
难受的一批。
就是感觉，干啥啥不行的那种。
学习效率也不行了。
现在也就每天坚持背背英语六级。

今天gpw师兄分享他的毕业设计。
基于ZYNQ的人脸识别。
在PC端先跑神经网络，调参。
然后将pytorch写成HLS。
学长说需要三大步
1、写HLS生成IP核
2、用vivado增加CPU核
3、用vitis IDE把网表变成电路下载到FPGA
平台是7020

因为7020没有PCIE，他的工作流程如下
1、PC端将照片发送至服务器。socket
2、服务器用网线将图片发送至zynq，tcp/ip
3、zynq对人脸照片提取特征向量（算法参数（权重）从sd卡中读取）
4、zynq将特征向量发送至服务器，进行比对
5、服务器将比对结果发送至pc端。结束。。

低效率做法：pc用JTAG发照片至ZYNQ ，zynq用uart将返回值发送至pc。

优化的地方主要在HLS处。