![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习,机器学习,detection,论文,人工智能
文章平均质量分 60
deardao
昵称为同名微信号,有合作交流的可与我联系
展开
-
Pytorch或Tensorflow 深度学习库安装 (简易版)
tensorflow 2.x安装原创 2024-04-21 17:56:21 · 357 阅读 · 0 评论 -
TensorFlow 和 Pytorch 中交叉熵 Cross Entropy Loss 的代码实现和手动实现方式
目录TensorFlow中交叉熵的实现手动实现调库实现对比结果输出结果Pytorch中交叉熵的实现TensorFlow中交叉熵的实现手动实现import tensorflow as tf# logits 为输出层输出logits = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]])# softmaxsof...原创 2020-04-07 15:36:26 · 3170 阅读 · 0 评论 -
几种MAPE的实现方式
目录方法一 (label 中有NaN值)方法二(label 中有零值)方法三 (限制过大过小值)方法一 (label 中有NaN值)这种方式是为了防止label里面有NaN值,但没考虑是否为零值。def masked_mape(preds, labels, null_val=np.nan): if np.isnan(null_val): mask = ~torch.i...原创 2020-04-05 17:39:54 · 9762 阅读 · 2 评论 -
Neural Ordinary Differential Equation 神经常微分方程(Neural ODEs)
用微分方程的视角来看待和理解神经网络是一种新的视角,该观点最早出现在2016年鄂维南院士的一篇proposal里:A Proposal on Machine Learning via Dynamical Systems. 这里的主要思想是:特定类型的神经网络可以看作离散的微分方程,所以使用现成的微分方程求解器可以帮助获得更好的结果。原创 2019-09-09 22:38:28 · 8131 阅读 · 3 评论 -
快速配置tensorflow,keras,pytorch等深度学习环境
快速配置tensorflow,keras,pytorch等深度学习环境安装GPU驱动安装cuda安装Cudnn安装Anaconda安装pip安装深度学习库安装tensorflow安装keras安装pytorch安装GPU驱动首先保证gpu驱动已经成功安装,根据GPU版本在Nvidia官网下载对应的驱动,windows环境下载Nivdia的安装包,直接安装即可。Linux版本需要退出图形界面,使...原创 2019-07-24 18:18:35 · 413 阅读 · 0 评论 -
深度学习简史
“上帝是一位算术家!” ——雅克比 深度学习(DeepLearning)是人工神经网络(artificialneuralnetwork)的一个分支。1943年,来自美国的数学家沃尔特·皮茨(W.Pitts)和美国心理学家沃伦·麦克洛克(W.McCulloch)首次提出人工神经网络的概念,并对其中的神经元进行了数学建模,从此人工神经网络这一研究领域被开启[1]。194...原创 2019-05-20 11:03:18 · 2688 阅读 · 0 评论 -
Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling
This repository contains pre-trained models and sampling code for the 3D Generative Adversarial Network (3D-GAN) presented at NIPS 2016.http://3dgan.csail.mit.eduPrerequisites论文介绍3D-GAN which generates原创 2017-07-06 10:51:57 · 1113 阅读 · 0 评论 -
faster rcnn: 架构实现过程详细介绍
faster rcnn 相对与 fast rcnn 主要是将 selection search 变成了 rpn(region proposal network)网络来生成候选区域,这样就可以实现end to end training了。 本文主要介绍它的实现过程: image -> vgg (conv_1-5) - > rpn (1,conv_1x1 score; 2, conv_3x原创 2017-06-18 21:14:29 · 739 阅读 · 0 评论 -
论文评述:Learning Deconvolution Network for Semantic Segmentation
2:30 - 4:45 这篇文章是 利用 deconv net 进行 semantic segmentation的先作,在之前ZF曾利用deconv net 做 neural network的可视化工作,它相当于 conv net 的mirror。 作者利用的是VGG16,应该是fine-trunning 其所有层的参数。(文中没有提到,所以是猜测)。 训练过程分为两个阶段,第一个阶段:根据gro原创 2017-06-18 17:32:57 · 699 阅读 · 0 评论 -
论文 Learning to Segment Object Candidates
9:40-11:35这是一篇2015年的文章, 是较早的一篇关于图像的像素分割的论文,但如果分割出来的像素做候选区域会不会大材小用了?因为需要像素级别的标注来监督学习,相比标注ground true box 的难度系数大很多。如果用它来做box proposal的话,对于像素分割的要求则不是太高了,因为网络最后都会对 proposal boxes 做回归的。网络架构图如下:原创 2017-06-16 13:25:02 · 416 阅读 · 0 评论