- 博客(10)
- 收藏
- 关注
RSS订阅原创 第3章：归一化
这样意味着θ_2最后需要比θ_1更少的迭代次数就可以收敛，而我们要最终求得最优解，就必须每个维度θ都收敛才可以，所以会出现θ_2等待θ_1收敛的情况(导致了右图梯度下降的方式是这样的：先顺着θ_2的坐标轴往下走再往右走)其实，梯度下降前，按照正态分布生成的θ，其所有维度的θ都是在期望μ为0方差σ为1的正太分布随机在0附近的（即一开始的θ_1与θ_2的数值是差不多的），从上图可以看出，①初始值θ_1到最终的目标位置θ_1’的距离是远大于初始值θ_2到最终的目标位置θ_2’的距离。
2024-07-06 22:16:08
181
原创 深度可分离卷积Dwconv
深度可分离卷积主要分为两个部分：逐通道卷积（Depthwise Convolution）、逐点卷积（Pointwise Convolution）
2024-04-14 00:59:36
1221
1
原创 语义分割3：U-Net++学习总结
xij是节点Xij的输出，i是沿着编码器下采样层的索引，j是密集块沿着跳跃路径的卷积层索引。H（·）是跟随一个激活函数的卷积操作，u（·）是上采样层，[ ]是连接层。
2024-04-10 14:12:26
752
1
原创 语义分割2：U-Net学习总结
上采样具有的大量特征通道允许将上下文信息传播到高分辨率特征层上，U-Net的Encoder和Decoder是高度对称的，输入图像可以获得更加完整的上下文，催生了重叠贴图策略，对任意大的图像进行无缝切割，可以通过镜像的输入预测图像边缘缺失的上下文，对大型图像来说可以减少硬件对分辨率的限制。
2024-04-09 22:52:47
1054
原创 语义分割1：PSPNet学习总结
PSPNet(金字塔场景解析网络)，用于场景解析和语义分割，为了挑战开放词汇和复杂场景而提出。PSPNet利用全局上下文信息和金字塔池化模块，分层次（等级）提取不同区域的上下文信息并聚合，为像素级场景解析提供有效的上下文信息。网络架构简述：基于ResNet50框架，金字塔池化模块。
2024-03-11 00:31:27
717
2
原创 python常用函数
例如：b.sort(key=lambda x : x[0]) #按照字典序从小到大排列。3. 集合set()函数保证集合的特性。sort()或者sorted()例如：a == a[::-1]回文数：本身是否等于逆序数。[::-1]表示逆序。
2024-03-03 11:42:58
336
原创 YOLOV1学习总结
这一篇我们将进入YOLOV1的学习。传统的一些目标检测系统大多采用重用分类器来执行检测，计算量大，检测时间长。DPM（采用传统的SVM分类器，通过人工制造模板，使用滑动窗口方法暴力搜索整个待识别框R-CNN通过region proposal（待选区域）产生大量的可能包含待检测物体的bounding box（边界框），再使用分类器去判断这些bounding box中是否存在物体以及物体的所属类别probability和confidence，最后再回归预测本篇介绍的YOLOV1。
2023-11-28 21:39:46
103
原创 ubuntu主机改名
编辑 /etc/hostname 文件并将其中的内容设置为新主机名。重启Linux系统，并检查是否成功更改了主机名。更改文件内容为：“new-hostname"（不带引号）然后保存并关闭文件。现在已经成功更改了Linux系统的主机名！打开终端并以root用户身份登录。
2023-04-25 20:54:36
2697
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人