m0_57980297的博客

原创 领域总结和学习方向

原创 优化算法总结

优化算法凸优化：ps：对学习率不敏感。

原创 Transformer

一 自注意力二Transformer

原创 编码器-解码器架构 束搜索 注意力机制

一 编码器-解码器架构二 束搜索ps:取log是给长句子一点好处，越长的数字累乘后越小，log后变负数绝对值更大。三 注意力机制

原创 序列模型 门控循环单元（GRU）长短期记忆网络（LSTM）深度循环网络

一 序列模型二 门控循环单元三 长短期记忆网络（LSTM）四 深度循环网络五 双向循环神经网络

原创 语义分割 转置卷积

转置过程相当于卷积的逆运算。转置卷积计算方式：

原创 微调 锚框 Fast RCNN

3.Fast RCNN 1.2.ps：卷积复用 3. 4.5.6.ps: ceter_net:将锚框换算成像素级别的标号。...

原创 BatchNorm，LayerNorm，InstanceNorm，GroupNorm ResNet

BatchNorm，LayerNorm，InstanceNorm，GroupNorm ResNet特别注意：B指的是批数量。看这个理解的更加清楚：(93条消息) （BN）批量归一化全面解析_Paulzhao6518的博客-CSDN博客_批量归一化二 resnet可以训练1000层的原因底层也可以获得较大梯度...

原创 步长 填充 多输入输出通道 池化层 从lenet到goolenet

1.步长是为了增大感受野，填充是为了调整输出的长和宽利于计算和变换，不改变高宽。2.多输入是因为图像大多数是三通道的，每个输出通道可以识别特定模式，输入通道识别并组合输入中的模式。就比如说底层就是识别边缘分布，再下一层识别出猫的胡须，耳朵，不断加深，在上层识别组合出猫头，尾巴，最后是猫的种类，最后输出种类数。3.1*1卷积核不识别空间模式，只融合通道。4.卷积层对位置敏感，因为会有抖动，所以需要一定程度的平移不变性，所以需要池化层。池化层允许你的输入有一定偏移，即有一定模糊化效果。5.LeN

原创 从全连接到卷积层

卷积就是信号与系统里学的卷积，然后其实神经网络中用的卷积用的是二维交叉相关，名字叫做卷积。

原创 低秩分解（张量分解）

低秩分解（张量分解） 神经网络的 filter 可以看作是四维张量：宽度 w高度 h通道数 c卷积核数 n，由于 c 和 n 对网络结构的整体影响较大，所以基于卷积核(w*h)矩阵信息冗余的特点及其低秩特性，可以利用低秩分解方法进行网络压缩。低秩分解是指通过合并维数和施加低秩约束的方式稀疏化卷积核矩阵，由于权值向量大多分布在低秩子空间，所以可以用少数的基向量来重构卷积核矩阵，达到缩小存储空间的目的。

原创 模型压缩综述

模型压缩综述

原创 k折交叉验证 参数管理 读取文件 使用gpu

一 数据处理技巧1.k折交叉验证：处理小样本数据集将样本分成k份，然后分配训练和验证比例，轮次训练和验证。二 参数管理ps：1.*是python的基本语法，解包。有多个元素需要传入时使用，访问list的每个值。*对list进行拆解，这样print函数接收到的就是单独的变量。这里也可以不加*，这样输出的就是一个list。 2.这里的1.weight不存在，应该是relu层ps：不能将weight全部初始化为1，如果这么...

原创 关于激活函数的思考

激活函数为什么能将非线性变为线性？

原创 数值稳定之合理的权重初始值和激活函数让训练更加稳定

合理的权重初始值和激活函数让训练更加稳定。

原创 丢弃法 损失函数 训练和预测流程总结

一 丢弃法1.dropout是正则项，只在训练中使用，不在推理中使用。2.目的：对输入数据鲁棒。解决过拟合。3.丢弃法：在层间加入噪音。4.使用dropout后期望不变 。5.重复性：使用随机种子。二 损失函数1.表征预测值与真实值之间的差距。2.常用类别：均方损失 绝对值损失 Huber is Robust Loss 交叉熵损失三.训练预测流程总结1.处理数据下载数据 加载数据 送入设备2.训练（预测）定义模型 定义优化算法 开始循环.

原创 权重衰退之罚（规则项）

为什么要用∣∣w∣∣*2作为一个罚用来限制w参数的值。为什么是这个二范数，而不是他们为什么等价。

原创 学术建议心得（未完）

学术经验合集

原创 再学感知机原理（通透）

学习深度学习半年多，现在回头再学一遍，收获良多。本文基于个人不理解迭代公式为什么是：θ=θ+α∑y(i)x(i)，为什么是y(i)x(i)所总结，自认为现在明白后自己对深度学习理解更为透彻。

原创 Dual Sampler and Head Network (DSHNet) 个人笔记

代码可以通过GitHub - we1pingyu/DSHNet: [WACV 2021] Towards Resolving the Challenge of Long-tail Distribution in UAV Images for Object Detection.获得一 目的： 解决长尾问题——DMNet只是通过密度图的办法裁剪出更小的图基本解决目标的空间分布问题，以此有利于小目标的检测，但并没有考虑到类别不平衡的问题二 主流的解决长尾效应的方法： ...

原创 DMNet个人笔记

Density Map Guided Object Detection in Aerial Images

原创 2021-05-11

**深度学习顺序：**资料在我上传的文件中，自取即可深度学习入门-基于Python的理论与实现–>deep-learning-from-scratch深度学习概述1–>NatureDeepReview深度学习概述2–>Reducing the dimensionality of data with neural networks自动编码器讲义–>SparseAutoencodersImageNet文章–>ImageNet ClassificationResNe

原创 2021-05-07

开始学习python的小伙伴可以跟着我的资料一起学习。接下来会陆续发布深度学习和记忆学习相关文献。