![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
深度学习模型学习
打入凡间的zhu
这个作者很懒,什么都没留下…
展开
-
LoRA原理及示例
LoRA 方法通过低秩分解减少微调参数量,降低计算和存储成本,并在保持预训练知识的同时适应新任务。这使其成为大规模预训练模型微调中的一种高效方法。原创 2024-06-12 23:29:08 · 348 阅读 · 0 评论 -
Yolov8推理速度
Intel 10代 28fps,11代49fps,12代40。原创 2023-08-14 09:51:22 · 458 阅读 · 0 评论 -
Segment Anything Model(SAM)原理简介
每个反卷积层通常包括反卷积核、激活函数和批归一化等操作,用于对特征图进行上采样和特征融合。综上所述,SAM是一种基于深度学习的端到端图像分割模型,其原理主要包括网络结构、损失函数、数据增强和预训练模型等方面。预训练模型:为了加速模型训练和提高分割精度,SAM通常会使用预训练的图像分类模型(如ResNet、VGG等)作为编码器的初始权重,以便更好地提取图像特征。数据增强:为了提高模型的鲁棒性和泛化能力,SAM采用了多种数据增强技术,如随机旋转、缩放、裁剪、翻转等,以及颜色空间变换和噪声添加等。原创 2023-05-14 13:12:34 · 6219 阅读 · 0 评论 -
YOLOv8模型讲解
YOLOv8是一种目标检测模型,它是YOLO系列模型的最新版本。YOLOv8采用了一种基于Anchor-Free的检测方式,相比于传统的Anchor-Based检测方式,它具有更高的检测精度和更快的检测速度。YOLOv8的原理可以分为两个部分:特征提取和目标检测。特征提取部分采用了一种名为CSPDarknet的网络结构,它是一种基于Darknet的改进版本。CSPDarknet采用了Cross Stage Partial Network(CSP)结构,将网络分为两个部分,每个部分都包含多个残差块。原创 2023-05-14 10:44:54 · 6891 阅读 · 0 评论 -
YOLOv5原理讲解:快速高效的目标检测算法
此外,该算法还引入了多尺度训练策略,通过在不同尺度的图像上训练模型,使模型能够更好地适应不同场景下的目标检测任务。总之,YOLOv5是一种快速高效、准确度较高的目标检测算法,通过采用端到端的检测方式、基于Anchor的检测方式、轻量级网络结构和多尺度训练策略等优化措施,成功地实现了在计算资源有限的情况下高效地完成目标检测任务。相比于传统的滑动窗口方法,该方法能够在不同尺度的特征图上同时进行目标检测,大大提升了检测效率和准确度。YOLOv5是一种快速高效的目标检测算法,具有优秀的实时性能和较高的准确度。原创 2023-04-05 15:57:03 · 3958 阅读 · 0 评论 -
模型可解释
主要方法:线性回归、树模型、 LIME(局部解释)、SHAP(全局解释 + 局部解释)原创 2023-03-19 23:11:44 · 42 阅读 · 0 评论