2018年09月_Mr.Q

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月

原创改善深层神经网络：超参数调试、正则化以及优化

听Andrew Ng深度学习课程，知识点整理 3.1.2 Bias and Variance High bias: 训练集上，性能差，也即欠拟合（模型拟合能力）High variance: 训练集上表现较好，验证集上，性能差，也即过拟合（模型稳定性） 5.1.3 Basic recipe for machine learning优化模型的第一步是，查看是否具有...

2018-09-14 16:25:03 1476

原创计算机视觉任务

参考：Jianlong Fu 微软亚洲研究员

2018-09-13 10:16:22 499

原创 PyTorch 对应点相乘、矩阵相乘

一，对应点相乘，x.mul(y) ，即点乘操作，点乘不求和操作，又可以叫作Hadamard product；点乘再求和，即为卷积data = [[1,2], [3,4], [5, 6]]tensor = torch.FloatTensor(data)tensorOut[27]: tensor([[ 1., 2.], [ 3., 4.], [ 5....

2018-09-07 21:14:27 110317 1

原创 RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.DoubleTensor) should be the

出错位置： train_label_batch = torch.from_numpy(train_label_batch)解决办法：将数据类型转换成FloatTensor即可，如下，加一行代码Tensor.type(torch.FloatTensor)train_label_batch = torch.from_numpy(train_label_batch)train_labe...

2018-09-07 20:52:11 40705

原创 view之前为何先用函数contiguous()

output = model( data )[ 0 ] # shape: (100, 321, 481)output = output.permute(1, 2, 0) # 维度置换 shape: (321, 481, 100)output = output.contiguous().view(-1, args.nChannel) # (321x481, 100)view原矩阵...

2018-09-06 09:44:35 2914

原创 tensor 和 numpy 的互相转换

为什么要相互转换：1. 要对tensor进行操作，需要先启动一个Session,否则，我们无法对一个tensor比如一个tensor常量重新赋值或是做一些判断操作，所以如果将它转化为numpy数组就好处理了。下面一个小程序讲述了将tensor转化为numpy数组，以及又重新还原为tensor：2. Torch的Tensor和numpy的array会共享他们的存储空间，修改一个会导致另外的一...

2018-09-05 15:03:19 26842

原创过拟合的解决办法

一，过拟合的定义模型在训练集表现良好，在测试集上效果较差，即为过拟合。二，解决办法分析过拟合的原因，根据不同的原因，提出不同的解决办法：1. 获取更多的数据，1) 获取更多的原数据：如猪脸识别，但是获取过程成本较高，因为人工拍摄费时费力，猪也在不停地运动；2) 或者在原数据的基础上，进行数据增强（图像平移，旋转，镜像等)：如在物体分类问题里，物体在图像中的位置、姿态、尺度，...

2018-09-01 21:05:08 1946

opencv4.5.0-gpu版（附加cuda10）

window，cuda10环境下，编译的opencv4.5.0-gpu版。 opencv目录： bin include x64 cuda10目录： bin include lib

2023-09-01

图像分类数据集：hymenoptera-data

彩色图像，包含了两个类别：蚂蚁和蜜蜂。可用于图像分类任务。文件夹形式如下： train: ants bees val: ants bees

2022-10-14

labelme标注的voc分割数据

注意：该数据集是用于图像分割的，且是人物图像分割。包含了训练集合和测试集合。训练集：32张测试集：8张由于数据集小，所以此数据集只用于快速验证分割网络的搭建。

2022-08-16

opencv4.5.0对应的.cache文件夹

里面的文件完整，如下所示： ade data ffmpeg ippicv nvidia_optical_flow xfeatures2d .gitignore

2022-02-26

github下载太慢了，这里备份下。原始下载路径：https://github.com/onnx/models/blob/main/vision/object_detection_segmentation/fcn/model/fcn-resnet50-11.tar.gz 其他权重下载路径：https://github.com/onnx/models/tree/main/vision/object_detection_segmentation/fcn

2022-02-12

alexnet.onnx权重

生成该权重代码： import torch import torchvision # use Trace to export onnx model dummy_input = torch.randn(10, 3, 224, 224, device='cuda') # 定义模型的输入shape model = torchvision.models.alexnet(pretrained=True).cuda() # if delete cuda(), will generate onnx model with no cuda. input_names = ['inputs'] output_names = ['outputs'] torch.onnx.export(model, dummy_input, f='alexnet.onnx', verbose=True, input_names=input_names, output_names=output_names, opset_version=10)