huahuazhu的博客

因为工作原因，项目中经常遇到目标检测的任务，因此对目标检测算法会经常使用和关注，比如Yolov3、Yolov4算法、Yolov5算法、Yolox算法。当然，实际项目中很多的第一步，也都是先进行目标检测任务，比如人脸识别、多目标追踪、REID、客流统计等项目。因此目标检测是计算机视觉项目中非常重要的一部分。从2018年Yolov3年提出的两年后，在原作者声名放弃更新Yolo算法后，俄罗斯的Alexey大神扛起了Yolov4的大旗，然后不久又出现了Yolov5。而到了2021年，就在大家质疑Yolo

在之前的文章中我介绍了多层感知机反向传播的数学推导，主要是用数学公式来进行表示的，在全连接神经网络中，它们并不复杂，即使是纯数学公式也比较好理解。而卷积神经网络相对比较复杂，在本篇文章中我们将从直观感受和数学公式两方面来介绍CNN反向传播算法的推导。南柯一梦宁沉沦：神经网络中反向传播算法数学推导83 赞同 · 10 评论文章首先我给大家介绍一下我分析delta误差反向传播过程的简单方法，如果神经网络l+1层某个结点的delta误差要传到l层，我们就去找前向传播时l+1层的这个结点和第l层的哪

本笔记参考了黄海广博士和红色石头的笔记内容。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要介绍了逻辑回归，以输出概率的形式来处理二分类问题。我们介绍了逻辑回归的Cost function表达式，并使用梯度下降...

本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要介绍了向量化、矩阵计算的方法和python编程的相关技巧。并以逻辑回归为例，将其算法流程包括梯度下降转换为向量化的形式，从而大大提高了程序运算速度。本节课我们将从浅层...

本笔记主要参考了红色石头的笔记，在此表示感谢。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要介绍了浅层神经网络。首先介绍神经网络的基本结构，包括输入层，隐藏层和输出层。然后以简单的2 layer NN为例，详...

论文：https://arxiv.org/abs/1608.06993源码：https://github.com/liuzhuang13/DenseNetDenseNet-CVPR-Slides:https://download.csdn.net/download/julialove102123/10461620前言在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，...

本文主要介绍什么是推荐系统，为什么需要推荐系统，如何实现推荐系统的方案，包括实现推荐系统的一些常见模型，希望给读者提供学习实践参考。1 推荐系统概述为什么需要推荐系统信息爆炸对于信息消费者，需要从大量信息中找到自己感兴趣的信息，而在信息过载时代，用户难以从大量信息中获取自己感兴趣、或者对自己有价值的信息。 对于信息生产者，信息生产者，需要让自己生产的信息脱颖而出，受到广大...

推荐系统介绍当下，个性化推荐成了互联网产品的标配。但是，人们对推荐该如何来做，也就是推荐技术本身，还不甚了解。为此，好学的你肯定在收藏着朋友圈里流传的相关文章，转发着微博上的相关讨论话题，甚至还会不断奔走在各种大小行业会议之间，听着大厂职工们讲那些干货。我知道，这样碎片化的吸收，增加了知识的同时，也增加了焦虑。因为技术的不平等广泛存在于业界内，推荐系统也不例外。推荐系统从搜索引擎借鉴了不少技术...

首先我要吐槽一下，看程序的过程中遇见了yield这个关键字，然后百度的时候，发现没有一个能简单的让我懂的，讲起来真TM的都是头头是道，什么参数，什么传递的，还口口声声说自己的教程是最简单的，最浅显易懂的，我就想问没有有考虑过读者的感受。接下来是正题：首先，如果你还没有对yield有个初步分认识，那么你先把yield看做“return”，这个是直观的，它首先是个return，普通的retur...

本笔记参考了黄海广博士和红色石头的笔记。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson1上节课我们主要对深度学习（Deep Learning）的概念做了简要的概述。我们先从房价预测的例子出发，建立了标准的神经网络（Neura...

本课程笔记参考了黄海广博士和红色石头的笔记，加入了自己的理解。本课程对应的作业，本人已翻译，放在github上，地址如下：https://github.com/fuhuaxu/deeplearning-ai-assignment/tree/master/lesson11. What is a neural network?简单来说，深度学习（Deep Learning）就是更复杂的...

折腾了一天多TensorFlow-GPU的坑，安装了两次cuda。本篇基于NVIDIA GeForce MX150 安装 CUDA,cuDNN,Python(anaconda)TensorFlow-GPU（Windows10操作系统）安装顺序： 查看配置环境 —> CUDA Toolkit —> cuDNN —> Visual Studio 2015 Communi...

转载博客：http://blog.csdn.net/phdat101/article/details/523506111.概念graph：图，表示具体的计算任务session：会话，图需要在会话中执行，一个会话可以包含很多图tensor：张量，在此表示数据，类型是numpy::ndarrayvariable：就是本意变量，图的重要组成

tf.nn.conv2d是TensorFlow里面实现卷积的函数。tf.nn.conv2d(input, filter, strides,padding, use_cudnn_on_gpu=None, name=None)除去name参数用以指定该操作的name，与方法有关的一共五个参数：第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch,in_h

这篇学习笔记主要参考和综合了两个帖子的内容，详见参考文档，感谢两位大神。 1 什么是激活函数？激活函数，并不是去激活什么，而是指如何把“激活的神经元的特征”通过函数把特征保留并映射出来（保留特征，去除一些数据中是的冗余），这是神经网络能解决非线性问题关键。目前知道的激活函数有如下几个：sigmoid,tanh，ReLu,softmax。 simoid函数也称S曲线：f(x)=1

一、 Dropout原理简述：tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数，它一般用在全连接层。Dropout就是在不同的训练过程中随机扔掉一部分神经元。也就是让某个神经元的激活值以一定的概率p，让其停止工作，这次训练过程中不更新权值，也不参加神经网络的计算。但是它的权重得保留下来（只是暂时不更新而已），因为下次样本输入时它可能又得工作了。示意图如下

函数参数run(    fetches,   feed_dict=None,    options=None,    run_metadata=None)tf.Session.run() 执行 fetches中的操作，计算 fetches 中的张量值。这个函数执行一步 TensorFlow 运算，通过运行必要的图块来执行每一个操作，并且计算每一个 fetches 中的张量的值，用相

原文地址http://www.cnblogs.com/flyu6/p/5555161.html整体介绍使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session) 的上下文 (context) 中执行图.使用 tensor 表示数据.通过 变量 (Variable) 维护状态.使

tf.nn.embedding_lookup(params,ids, partition_strategy=’mod’, name=None, validate_indices=True,max_norm=None)根据ids中的id，寻找params中的对应元素,可以理解为索引，所以ids中元素值不能超出params的第一维的维数值。比如，ids=[1,3,5]，则找出params中下标

1. 引言之前介绍了文本检测中的CTPN方法，详情可参见《CTPN文本检测与tensorflow实现》，虽然该方法在水平文本的检测方面效果比较好，但是对于竖直文本或者倾斜的文本，该方法的检测就很差，因此，在该方法之后，很多学者也提出了各种改进方法，其中，有一篇比较经典的就是旷世科技在2017年提出来的EAST模型，论文的全称为《EAST: An Efficient and Accurat...

安装前提：已经安装了anaconda3。1、利用Anaconda创建一个python3.6的环境，环境名称为tensorflow ，输入下面命令：conda create –n tensorflow python=3.6。如下图所示，已经创建成功。2、启动tensorflow环境，使用命令：source activate tensorflow3、使用pip installt