- 博客(10)
- 资源 (2)
- 收藏
- 关注
原创 深度学习(六十二)SqueezeNet网络设计思想笔记
1、尽量用1*1的卷积核替代3*3的卷积核尽可能选择1*1的卷积核为主,因为1*1的卷积核比3*3的卷积核参数少了9倍。2、引入Squeeze layer,尽量减少每一层的输入特征图数量比如对于3*3的卷积层,参数的个数是:(number of input channels) * (numbe
2017-05-30 11:09:30 3270 3
原创 从零开始编写深度学习库(五)Eigen Tensor学习笔记2.0
1、extract_image_patches函数的使用:假设Eigen::Tensor形状为(3,8,8,9),现在要对第二维、第三维根据size大小为(2,2),stride=(2,2),那么如果tensor类型是rowmajor类型,那么经过extract_image_patches后的数据就是(3,4*4,2,2,9)的5维数组,如果tensor类型是colmajor类型,那么得到的数据就
2017-05-26 11:04:31 4250 1
原创 linux 记录
1、硬盘挂载:(1)查看需要挂载的硬盘号:sudo fdisk -l(2)编辑fstab文件:sudo vim /etc/fstab在最后面添加需要挂载的硬盘:/dev/sdb5 /home/research/disk1 ext4 defaults 0 0/dev/sda /home/research/disk3 ext4 defaults 0 0上面分别挂载了sda、
2017-05-23 19:10:09 740
原创 深度学习(五十七)tensorflow andorid yolo物体检测测试
一、修改tensorflow/workspace文件,取消android相关注释# Uncomment and update the paths in these entries to build the Android demo.android_sdk_repository( name = "androidsdk", api_level = 24, # Ensure t
2017-05-17 14:50:22 4453 8
原创 从零开始编写深度学习库(五)ConvolutionLayer CPU编写
从零开始编写深度学习库(五)ConvolutionLayer CPU编写
2017-05-15 20:32:14 1536
原创 Eigen datamap 问题
eigen的MapMatrixdouble,4,4,RowMajor> > M(data);默认数据data是根据colmajor进行存储,但是实际上外部数据数据data我们一般是rowmajor
2017-05-15 11:23:36 953
原创 从零开始编写深度学习库(四)Eigen::Tensor学习使用及代码重构
一、矩阵大小可变构造函数:Class Tensor// Create a tensor of rank 3 of sizes 2, 3, 4. This tensor owns// memory to hold 24 floating point values (24 = 2 x 3 x 4).Tensor t_3d(2, 3, 4);//构建一个float类型,3维矩阵,每一维的长度分别为
2017-05-12 11:00:54 17061 4
原创 从零开始编写深度学习库(三)ActivationLayer网络层CPU实现
一、C++实现: static void CActivationLayer::relu_forward(const Eigen::MatrixXf &inputs,Eigen::MatrixXf &outputs){ outputs = inputs.cwiseMax(0); } static void CActivationLayer::relu_backward(const Eigen
2017-05-11 17:32:20 2884
原创 从零开始编写深度学习库(二)FullyconnecteLayer CPU编写
一、C++实现 //y=x*w+b static void CFullyconnecteLayer::forward(const Eigen::MatrixXf &inputs, const Eigen::MatrixXf &weights, const Eigen::VectorXf &bais , Eigen::MatrixXf &outputs) { outputs = inpu
2017-05-11 15:04:28 2084
原创 从零开始编写深度学习库(一)SoftmaxWithLoss CPU编写
一、C++实现void softmax_function(const Eigen::MatrixXf &inputs,Eigen::MatrixXf &softmax) { softmax = inputs.array().exp(); Eigen::VectorXf sorfmax_rowsum = softmax.rowwise().sum(); softmax = softmax.ar
2017-05-11 11:15:23 3717
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人