#建立工作空間
mkdir catkin_ws
mkdir catkin_ws/src
cd catkin_ws/src
catkin_init_workspace
#建立功能包
cd catkin_ws/src
catkin_create_pkg --rosdistro rosdistro ros_test1 rospy roscpp dynamic_reconfigure
#!/usr/bin/env python
package = "ros_test1"
from dynamic_reconfigure.parameter_generator_catkin import *
gen = parametergenerator()
gen.add("int_param", int_t, 0, "int parameter", 1, 0, 10);
gen.add("double_param", double_t, 0, "double parameter", .1, 0.0, 1.0);
gen.add("bool_param", bool_t, 0, "bool parameter", true);
gen.add("str_param", str_t, 0, "string parameter", "ros_test1");
size_enum = gen.enum([ gen.const("low", int_t, 0, "low is 0"),
gen.const("medium", int_t, 1, "medium is 1"),
gen.const("high", int_t, 2, "hight is 2")],
"select from the list")
gen.add("size", int_t, 0, "select from the list", 1, 0, 3, edit_method=size_enum)
exit(gen.generate(package, "ros_test1", "test1_"))
#include "ros/ros.h"
#include #include void callback(ros_test1::test1_config &config, uint32_t level)
int main(int argc, char **ar**)
generate_dynamic_reconfigure_options(
cfg/ros_test1_cfg.cfg
)add_executable(node_e src/node_e.cpp)
add_dependencies(node_e $_gencfg)
target_link_libraries(node_e $)
roscoe
#其結點
rosrun ros_test1 node_e
#起rqt
rosrun rqt_reconfigure rqt_reconfigure
可通過命令列調節
$ rosparam list
/node_e_dynamic_reconfigure/bool_param
/node_e_dynamic_reconfigure/double_param
/node_e_dynamic_reconfigure/int_param
/node_e_dynamic_reconfigure/size
/node_e_dynamic_reconfigure/str_param
/rosdistro
/roslaunch/uris/host_172_20_10_4__42553
/rosversion
/run_id
$ rosparam get /node_e_dynamic_reconfigure/double_param
0.1$ rosparam set /node_e_dynamic_reconfigure/double_param 0.3
$ rosparam get /node_e_dynamic_reconfigure/double_param
0.3
python 隨機森林調參 隨機森林調參
前兩天寫了個scikit learn初步學習，今天沒事又照著寫了個rf模型的，剛開始還不懂這個python列表推導式，想了想還是挺好用的。然後用了gridsearchcv這個引數優化類，遍歷多種引數組合 也就是暴搜最優引數組合 通過交叉驗證確定最佳效果引數。所以優化完可能對訓練資料擬合更差，泛化能力...
RNN 調參經驗
調了快1年的rnn,深刻的感受到,深度學習是一門實驗科學,下面是一些煉丹心得.後面會不斷補充.有問題的地方,也請大家指正.引數初始化,下面幾種方式,隨便選乙個,結果基本都差不多.uniform w np.random.uniform low scale,high scale,size shape g...
機器學習 調參
在實際調整引數之前，我們先要搞清楚兩個事情 1.調參的目的是什麼？2.調參調的東西具體是什麼？第乙個問題 調參的目的是什麼？調參的最終目的是要使訓練之後的模型檢測物體更精確，向程式的方向更靠近一步的話，就是使得損失函式 例如ssd中的loss 盡量小 因為利用訓練集訓練出來的模型質量在訓練過程中只能...