2017年06月_AI之路

原创 MXNet的数据读取：data.py源码详解

这篇博文介绍MXNet里面比较重要的一个脚本data.py，路径：~/mxnet/example/image-classification/common/data.py。也是在fine-tune.py脚本中用到的数据读入脚本（参考MXNet的fine-tune.py源码详解）。数据读取在深度学习模型训练中算是比较重要的一块，MXNet官网中主要介绍的是.rec格式的数据的读取，不过这个格式比较占磁盘

2017-06-29 22:36:06 3718

原创 MXNet的训练入口：fit.py源码详解

fit.py是MXNet的fine-tune.py（参看博文：MXNet的fine-tune.py源码详解）中启动训练的入口，非常值得读一读源码。总的来讲，这个fit.py脚本包含训练的一些配置，导入模型，训练模型和保存模型这几步，接下来详细阐述。建议从最后的主函数fit()开始看起。import mxnet as mximport loggingimport osimport time#

2017-06-29 22:27:17 7277 14

原创 MXNet的预训练：fine-tune.py源码详解

在MXNet框架下，如果要在一个预训练的模型上用你的数据fine-tune一个模型（或者叫迁移学习，即你的模型的参数的初始化不再是随机初始化，而是用别人的在大数据集上训练过的模型的参数来初始化你的模型参数），可以采用MXNet项目自带的fine-tune.py脚本，路径是~/mxnet/example/image-classification/fine-tune.py，这里的mxnet就是你从mxn

2017-06-28 22:01:31 5781 2

原创深度学习算法工程经验

本篇博文主要介绍深度学习算法的一些经验，主要参考Andrew NG的新书《Machine Learning Yearning》，目前出到第14章，基本上都是介绍深度学习在工程上的应用，全书没有数学公式，可以说是干货满满，非常值得一读！接下来我将结合自己的项目经历，以这本书为顺序介绍自己的心得体会。链接（1~12章）： https://gallery.mailchimp.com/dc3a7ef4d7

2017-06-22 22:46:36 2701

原创可变卷积（Deformable ConvNets）算法的MXNet实现

本文是可变卷积（Deformable ConvNets）算法的MXNet实现，MXNet是一种深度学习框架。一开始想熟悉这个框架的话可以跑跑官方网站上的MNIST或CITAR数据集等等，本篇博文更进一步，主要是通过这个算法实例来熟悉MXNet框架的使用。博文主要分三大部，第一部分是拉取MXNet项目，第二部分是拉取你的算法项目和运行demo，第三部分是自己训练模型。接下来假设你的所有操作都是在$Mx

2017-06-16 22:37:54 9722 16

原创 OHEM算法的Caffe实现

这篇博文介绍如何用OHEM算法训练数据和测试数据。因为OHEM算法是对Fast RCNN的改造，所以Caffe代码的编译和Fast(er) RCNN基本类似。OHEM算法及Caffe代码的讲解可以参考另外一篇博客：OHEM算法及Caffe代码详解代码的github地址：https://github.com/abhi2610/ohem1、拉取项目git clone --recursive https:

2017-06-13 22:46:33 4269 2

原创 OHEM算法及Caffe代码详解

这是CVPR2016的一篇论文，用于目标检测，本篇博文先介绍这个算法，然后介绍其Caffe代码。论文：Training Region-based Object Detectors with Online Hard Example Mining 论文链接：https://arxiv.org/abs/1604.03540算法概述：OHEM（online hard example miniing）算法的

2017-06-12 23:25:27 14959 8

原创 A-Fast-RCNN算法的Caffe实现

A-Fast-RCNN算法来自论文：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection。项目的git地址：https://github.com/xiaolonw/adversarial-frcnn因为git上对于如何训练模型，如何测试数据介绍得比较简单，因此自己亲自试验了一下，并记录下过程。1、从Faste

2017-06-11 22:28:25 5393 11

原创 MobileNets—深度学习模型的加速

本篇博文来介绍一个深度学习模型加速的算法：MobileNets，可以在基本不影响准确率的前提下大大减少计算时间和参数数量。论文：MobileNets Efficient Convolutional Neural Networks for Mobile Vision Applications 论文链接：https://arxiv.org/abs/1704.04861算法概述：深度学习网络广泛应用在图

2017-06-08 22:29:18 30588 18

原创 FPN（feature pyramid networks）算法讲解

这篇论文是CVPR2017年的文章，采用特征金字塔做目标检测，有许多亮点，特来分享。论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144论文概述：作者提出的多尺度的object detection算法：FPN（feature pyramid networks）。原来多数的

2017-06-06 22:41:15 197905 69

原创 Fast RCNN算法详解

这篇博文来介绍Fast RCNN，是RCNN算法的升级版。RCNN系列算法看完后才写的这篇博客，相信初学者会比较容易这篇算法。论文：Fast R-CNN 论文链接解决的问题：之所以提出Fast R-CNN，主要是因为R-CNN存在以下几个问题：1、训练分多步。通过上一篇博文我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用re

2017-06-03 12:14:46 119434 21

原创 R-CNN算法详解

这是一篇比较早的Object Detection算法，发表在2014年的CVPR，也是R-CNN系列算法的开山之作，网上可以搜到很多相关的博客讲解，本篇博文没有按论文顺序来讲述，而是结合自己经验来看这个算法，希望给初学者一个直观的感受，细节方面不需要太纠结，因为很多部分在后来的算法中都改进了。论文：Rich feature hierarchies for accurate object detect

2017-06-03 11:24:40 22081 6

原创 R-FCN算法的Caffe实现

本博文介绍如何在Caffe上实现R-FCN，关于R-FN的算法讲解和Caffe代码详解可以参考另外一篇博客：Object Detection算法——R-FCN算法及Caffe代码详解git地址：https://github.com/Orpine/py-R-FCN 基本上按照这个git上的readme.md的流程进行并假设你本机的Caffe本来就可以正常使用，接下来详细讲解可能会遇到的坑：1、先从g

2017-06-03 10:48:58 3221 3

原创 R-FCN算法及Caffe代码详解

本篇博客一方面介绍R-FCN算法，另一方面介绍其Caffe代码，这样对算法的认识会更加深入。论文：R-FCN：object detection via region-based fully convolutional networks 论文链接：http://papers.nips.cc/paper/6465-r-fcn-object-detection-via-region-based-fu

2017-06-02 22:13:57 17963 16

AI之路