深度学习
文章平均质量分 69
三个刺客
这个作者很懒,什么都没留下…
展开
-
Ubuntu将图标放置于任务栏
Ubuntu将图标放置于任务栏原创 2022-08-27 16:29:48 · 1501 阅读 · 0 评论 -
Pycharm如何为Python程序添加requirements.txt
Pycharm如何为Python程序添加requirements.txt原创 2022-06-23 22:58:50 · 4822 阅读 · 0 评论 -
ShuffleNet
旷视科技提出ShuffleNet,专门应用于计算力有限的移动设备,新的架构利用连个操作:逐点群卷积(pointwise group convolution)和通道混洗(channel shuffle),与现有先进模型相比在类似的精度下大大降低了计算量,在ImageNet和MS COCO上ShuffleNet表现出比其他先进模型的优越性能。现有的ResNeX在小型网络中效率较低,因为大量的1x1卷积耗费很多计算资源,论文提出了逐点群卷积(pointwise group convolution)帮助降低计算转载 2022-05-11 11:49:06 · 648 阅读 · 0 评论 -
轻量级网络MobileNet
MobileNet系列作为轻量级网络的经典代表,使得CNN轻量化和移动端部署成为可能。它进行卷积的参数比标准卷积要少很多。MobileNet系列目前总共有三个版本, 分别是MobileNet v1、MobileNet v2和MobileNet v3。作为学习轻量化网络的必经之路,本文重点对MobileNet系列网络进行阐述。MobileNetV1MobileNet就是把VGG中的标准卷积层换成深度可分离卷积就可以了,可分离卷积主要有两种类型,空间可分离和深度可分离卷积。空间可分离就是将一个大的卷积核转载 2022-05-10 22:11:36 · 2544 阅读 · 0 评论 -
深度可分离卷积
在计算资源受限制的移动端设备上,常规的卷积操作由于计算量大,经常难以满足实际运行速度的要求,这时深度可分离卷积(Depthwise Separable Convolution)就派上了用场。深度可分离卷积是由Depthwise(DW)卷积与Pointwise(PW)卷积组成。该结构和常规卷积类似,可用来提取特征,但相比常规卷积,其参数量和运算成本较低,所以在一些轻量级网络中经常用到此结构,如MobileNet、ShuffleNet。常规卷积对于一幅128x128像素、3通道彩色输入图像(尺寸128x转载 2022-05-10 17:52:30 · 1510 阅读 · 0 评论 -
组卷积小结
首先讲解卷积从上图可以看出,一般的卷积会对输入数据的整体一起做卷积操作,即输入数据:H1xW1xC1,而卷积核大小h1xw1,通道为c1,一共有c2个,然后卷积得到的输出数据就是H2xW2xC2,这里我们假设输入和输出的分辨率是不变的,这对存储器的容量提出了明显的要求。但是分组卷积就没有那么多的参数 。对于上面所说的同一个参数,分组卷积如下图所示,可以看出,图中将输入数据分成了2组(组数为g),需要注意的是这种分组只是在深度上进行划分,即某几个通道编为一组,这个具体的数量由C1/g决定,因为转载 2022-05-10 15:23:58 · 115 阅读 · 0 评论 -
单阶段人体姿态估计解决方案
前言最近在看姿态估计的论文,发现这篇论文是讲解单阶段人体姿态估计的,因此和之前的2D和3D姿态估计做一下对比论文地址:http://openaccess.thecvf.com/content_ICCV_2019/papers/Nie_Single-Stage_Multi-Person_Pose_Machines_ICCV_2019_paper.pdf一:算法分析对单张图像中的多个人体进行姿态估计是一个非常有挑战性的问题,目前主流算法多采取双阶段的方案,其中一类是采用自顶而下的策略:第一阶段用原创 2022-04-25 22:41:17 · 1149 阅读 · 0 评论 -
实时多人2D姿态估计
前言OpenPose是基于卷积神经网络和监督学习并以caffe为框架写成的开源库,可以实现人的面部表情、躯干和四肢甚至手指的跟踪,不仅适用于单人也适用于多人,同时具有较好的鲁棒性。可以称是世界上第一个基于深度学习的实时多人二维姿态估计,是人机交互上的一个里程碑,为机器理解人提供了一个高质量的信息维度,其理论基础来自:OpenPose:Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields一:OpenPose它可以在不原创 2022-04-25 21:13:59 · 694 阅读 · 0 评论 -
感受野浅析
感受野的讲解,我在网上查了好多都是错误的,浪费了大量时间,后来总结下来避免大家入坑一、感受野的概念感受野(Receptive Field)的定义:卷积神经网络每一层输出的特征图(feature map)上的像素点映射回输入图像上的区域大小。通俗点的解释是,特征图上一点,相对于原图的大小,也是卷积神经网络特征所能看到输入图像的区域第一层的感受野,永远等于第一个卷积核的尺寸大小感受野的大小的求解是一个不断递推的过程,因为第一层的每一个像素的感受野始终是第一个卷积核的大小,故而RF1总是最先确定,原创 2022-04-20 16:32:14 · 2398 阅读 · 0 评论 -
学习率的理解
定义:将输出误差反向传播给网络参数,以此来拟合样本的输出,本质上是最优化的一个过程,逐步趋向于最优解,但是每一次更新参数利用多少误差,就需要通过一个参数来确定,这个参数就是学习率,也称步长学习率作为监督学习以及深度学习中重要的超参,其决定着目标函数能否收敛到局部最小值以及何时收敛到局部最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。学习率是指导我们,在梯度下降法中,如何使用损失函数的梯度调整网络权重的超参数new_weight = old_weight - learnin原创 2022-04-18 23:00:24 · 12706 阅读 · 0 评论 -
深度学习之过拟合
什么是过拟合举一个简单的例子:我们设计了一个模型来判断 一件物品是否为树叶。喂养这个模型的数据集中含有几张带有尖刺边缘的树叶。模型的设计者希望模型能满足每一个训练数据,模型就将尖刺边缘也纳入了参数中。当我们测试这个模型的泛化性能时,就会发现效果很差,因为模型钻牛角尖,它认为树叶必须带有尖刺边缘,所以它排除了所有没有带有尖刺边缘的树叶,但事实上,我们知道树叶并不一定带有尖刺边缘。结果为什么会这样?因为模型设计者的强迫症使得这个模型过分贴合整个训练集,结果把噪音点也拟合上了。过拟合(overfittin原创 2022-04-18 20:32:02 · 1673 阅读 · 0 评论 -
pytorch之线性回归
#线性回归的简洁实现import numpy as npimport torchfrom torch.utils import datafrom d2l import torch as d2lfrom torch import nn # nn是神经网络的缩写#生成数据集true_w = torch.tensor([2, -3.4])true_b = 4.2features, labels = d2l.synthetic_data(true_w, true_b, 1000) # 生.转载 2022-04-15 18:08:45 · 438 阅读 · 0 评论 -
张量Tensor
什么是张量(Tensor)实际上就是一个多维数组神经网络中的输入、输出和变换都是用张量来表示的,因此神经网络编程大量需要张量张量是神经网络使用的主要数据结构,目的是创造更高维度的向量、矩阵。谷歌的开源机器学习框架TensorFlow也是建立在张量的基础上。张量的具体实例标量是0维张量 向量是一维张量 矩阵是二维张量 立方体是三维张量 n维数组是n维张量Tensor对象的3个属性:rank:秩,维度的总数 shape: 形状,统计各个维度的元素数量 axis: 轴,具体的原创 2022-04-14 15:28:14 · 1255 阅读 · 0 评论 -
[机器学习] 训练集(train set) 验证集(validation set) 测试集(test set)
在有监督(supervise)的机器学习中,数据集常被分成2~3个即:训练集(train set) 验证集(validation set) 测试集(test set) 一般需要将样本分成独立的三部分训练集(train set),验证集(validation set)和测试集(test set)。其中训练集用来估计模型,验证集用来确定网络结构或者控制模型复杂程度的参数,而测试集则检验最终选择最优的模型的性能如何。一个典型的划分是训练集占总样本的50%,而其它各占25%,三部分都是从样本中随机抽...转载 2022-03-12 09:42:42 · 2026 阅读 · 0 评论 -
如何创建虚拟环境
创建虚拟环境常用的两种方法原创 2022-03-07 11:17:18 · 32634 阅读 · 1 评论 -
pip install pycocotools 安装报错
在Anaconda中执行pip install pycocotools后报错如下提示Microsoft Visual C++ 14.0 or greater is required.可以按照提示去官网下载,下载完后我又进入另一个坑,在安装过程中总是提示安装包丢失或已损坏,所以采用离线下载的方式,来离线搜索安装包实现离线安装离线包我这里给大家一个百度网盘的连接,大家自行下载即可链接:https://pan.baidu.com/s/1n5eVgV3iaR3Zyhzf30qZCA提取码:3jt.原创 2022-03-07 11:08:32 · 1946 阅读 · 3 评论