- 博客(9)
- 收藏
- 关注
RSS订阅原创 Focal Modulation Networks-焦点调制网络
图2:(窗口方向)自我注意(SA)[79,22,54]与我们提出的焦点调制之间的说明性比较。给定查询令牌和目标令牌(，····，)，SA首先执行查询键交互以计算注意分数，然后执行查询值聚合以从其他令牌中捕获上下文。相比之下，Focal Modulation首先将不同粒度级别的空间上下文编码为调制器(，，，)，然后以查询相关的方式自适应地注入查询令牌。显然，SA需要大量的交互和聚合操作，而我们的Focal Modulation颠倒了它们的顺序，使它们都变得轻量级。彩色的数字更好看。
2024-01-15 22:49:33
1180
原创 跑YOLOv7遇到的问题
Batch size设置过高：Batch size设置过高也会导致模型训练不稳定，并可能导致val/obj_loss上升。训练集和验证集的分割不合理：如果训练集和验证集的分割不合理，那么验证集上的表现可能无法反映模型在实际场景中的表现。模型结构设计不合理：模型结构设计也可能导致val/obj_loss的上升，例如层数过深、过宽、非常规的激活函数等。调整学习率和Batch size：可以通过多次实验，逐步调整学习率和Batch size，找到最优的设置参数。2.删除数据集中的.cache文件。
2023-12-14 15:51:53
652
2
原创 yolov5代码学习总结
偏差（布尔值，可选）– 如果 ，将可学习的偏差添加到 输出。违约：TrueTrue。组（整数，可选）– 来自输入的阻止连接数 通道到输出通道。填充（整数、元组或 str，可选）– 添加到 输入。膨胀（整数或元组，可选）– 内核之间的间距 元素。in_channels （int） – 输入图像中的通道数。out_channels （int） – 卷积产生的通道数。kernel_size（int 或元组）– 卷积内核的大小。步幅（整数或元组，可选）– 卷积的步幅。
2023-12-14 15:30:36
371
原创 运行yolo代码中，遇到的错误，以及解决办法
提示：在train.py文件中的scaler.scale(loss).backward()前添加torch.use_deterministic_algorithms(False)这个错误说的是标签对不上，仔细检查标注的txt文件，发现标签是1，只分了一个类，标签是1，明显错误。注意：.cache文件也有可能在数据集的images和labels文件夹中，要注意仔细查找。解决办法：找到数据集文件夹中的全部.cache文件，并将他们全部删除。解决办法：要不增加0类的数据，要不将1改成0。这个错误目前没有解决。
2023-12-12 15:20:27
1077
Focal Modulation Networks-翻译
2024-01-14
运行yolov5代码时出现报错的问题
2023-04-04
dcgan如何单张保存生成的图片
2023-03-05
TA创建的收藏夹 TA关注的收藏夹
TA关注的人