![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
南方铁匠
在深度学习和体系结构熔炉的铁匠
展开
-
FRCNN的一些基本概念
test原创 2017-07-11 22:45:45 · 7866 阅读 · 0 评论 -
网摘一些概念 全连接层 roi rpn
先贴一篇讲的比较全的http://www.cnblogs.com/dudumiaomiao/p/6560841.htmlhttp://blog.csdn.net/myarrow/article/details/51878004一 全连接层1.整体的结构框图2.全连接层的推导:转自如下链接http://blog.csdn.net/daydayup_6688转载 2017-07-12 16:02:56 · 4127 阅读 · 0 评论 -
词嵌入向量WordEmbedding的原理和生成方法
转自:https://www.sohu.com/a/210757729_826434WordEmbedding词嵌入向量(WordEmbedding)是NLP里面一个重要的概念,我们可以利用WordEmbedding将一个单词转换成固定长度的向量表示,从而便于进行数学处理。本文将介绍WordEmbedding的使用方式,并讲解如何通过神经网络生成WordEmbedding。WordEmbeddin...转载 2018-07-09 21:18:26 · 3073 阅读 · 0 评论 -
深度学习总结
卷积1. 权重共享激活层:1. sigmoid 会导致梯度消失的问题;2. tanh的中心点在0.5而不是0,不存在累积0.5的问题3.relu 非线性 收敛快,池化层全连接层:默认全连接层在神经网络尾部需要搞懂的结构:1)fpn 2)roi align3)restina net4)bottleneck7)GAP8)FCN ...原创 2018-12-06 00:36:28 · 629 阅读 · 0 评论 -
Caffe 框架理解
Caffe是开源的深度学习框架,理解Caffe源代码可以加深对深度学习训练、推理的理解。Caffe的输入输出:输入文件:Solver.txt在solver.txt中定义了一系列的超参数:网络,学习率,momentum,权重衰减,iter的次数以及snapshot快照保存的地址;*.prototxt在prototxt中定义了网络的组织架构,定义图像源,损失函数等。可以直...原创 2019-04-24 11:52:24 · 2386 阅读 · 0 评论 -
faster rcnn 中rpn_data 和 roi data layer的理解
1. rpn_data layer,bottom :rpn_cls_score,gt_boxes 输出供rpn_cls_score_loss计算的label和供rpn_bbox_loss计算的target2. proposal _target_layer即roi_data layer,仅在训练中存在,在推理中不存在,位于proposal与roi pooling之间。 用于根据pr...原创 2019-05-18 21:46:21 · 717 阅读 · 1 评论 -
Caffe的param
在 caffe框架理解中:https://blog.csdn.net/hit_shaoqi/article/details/89489854有以下疑问:param中的参数是指针吗?目前看起来不是,param是OrderDict 有序字典类型(来自collections),是net的一个数据成员开始的时候想通过列表推导net.param.items来获得各个参数,发现items是inst...原创 2019-06-03 14:38:20 · 485 阅读 · 0 评论 -
caffe中的iter_size和batch_size
这篇博客讲的比较好:https://blog.csdn.net/yeler082/article/details/83278371需要注意的是,在单独一个layer的backward,forward计算时,对应proto中的batch(即一次forwardbackward计算几张图片),寄存在batch个深度的data 与diff,这batch个都会对weigth_diff产生影响:这个体...原创 2019-06-03 16:57:57 · 550 阅读 · 0 评论