![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
DeepLearning
傲笑风
让机器看懂世界
展开
-
对输入图像按比例压缩、居中填充
图像在输入神经网络之前,通常需要进行尺寸压缩,如yolov5的输入为640x640,分类网络Resnet-50的输入为224x224。通常地,分类网络直接将输入进行resize处理,而对于目标检测网络,为了防止目标变形,通常采用padding的方法。但由于letterbox函数太过难理解了,于是就自己写了一个,分别使用PIL和opencv实现了。原创 2023-07-05 20:39:14 · 397 阅读 · 0 评论 -
FLOPS与FLOPs的区别:
“s"的大写和小写代表不同的意思:FLOPS(floating point of per second):指每秒浮点运算次数,用来衡量硬件算力的指标。FLOPs(floating point of operations):指浮点运算次数,用来衡量算法/模型的复杂度。原创 2022-06-02 16:12:53 · 686 阅读 · 1 评论 -
卷积操作的填充和输出大小的公式
输入图像大小为II,卷积核大小为kk,填充为p,步长为s,输出大小为O*O,那么:如果输出不能对其,常采用下采用原创 2021-10-18 09:30:15 · 663 阅读 · 0 评论 -
FLOPS和参数量比较小的模型,推理时间反而较长?
两个模型 A 和 B,A 模型的 FLOPS 和参数量均比 B 模型少一半,但 B 模型的推理速度却稍微比 A 模型快一些。出现这种情况由几种情况出现:一、运行平台的不同,这个很明显,在大多数情况下 GPU 平台下运行比 CPU快二、在同一运行平台,不同的深度学习框架也有些差异(如pytorch,tensorflow等)三、同一平台、同一框架、并行化程度影响较大,并行程度高的推理较快四、以上三种情况均相同情况下,有以下两种影响因素:(1) 对内存的访问频率,访问内存频率高的推理时间较长(2)同步原创 2021-06-21 10:14:33 · 2797 阅读 · 0 评论 -
卷积产生的参数量(Parameters)和计算量(FLOPs)
输入:H_in × W_in × C_inFilter:k × k输出:H_out × W_out × C_out进行一次卷积操作产生的参数量(Parameters)和计算量(FLOPs)为:Parameters = k × k × C_in × C_outFLOPs = k × k × C_in × C_out × H_out × W_out原创 2020-12-28 16:13:32 · 524 阅读 · 0 评论 -
多通道输入的卷积计算
问题:一直不理解一张彩色3通道的图片,经过一个32层的33卷积核后,得到的是32通道的输出,如YOLOv3的第一层卷积层:一开始觉得,输入图片的每个通道都经过3332的卷积后都会得到32通道的输出;那么,3通道经过33*32的卷积后就会得到96通道的总输出。但是,在深度学习的规定中,输出的通道数是由卷积核的层数决定的。那么,3通道的输入经过32层的卷积后如何得到32通道的输出。该步骤如下:首先,每层卷积核分别于输入的各通道进行卷积。然后,把卷积后的多通道输出进行相加,便得到单通道输出。最后,剩余原创 2020-07-08 09:20:24 · 1933 阅读 · 1 评论