- 博客(14)
- 收藏
- 关注
RSS订阅原创 零基础使用飞桨VisualDL轻松实现可视化调参
VisualDL零基础轻松实现可视化调参目录VisualDL零基础轻松实现可视化调参1 背景介绍2 启动本地训练2.1 准备工作2.2 启动训练2.3 调参并完成训练3 使用VisualDL的Scalar功能对比分析本地训练日志3.1 一行命令启动VDL本地训练日志可视化3.2 分析经过VDL可视化处理后的训练日志3.2.1 对比调节Batchsize对模型训练的影响3.2.2 对比调节max_iters对模型训练的影响4 使用VisualDL的VDL.service功能快速分享训练日志4.1 一行命令调用
2020-11-23 20:09:49
4414
1
原创 PaddleDetection挑战赛参赛心得分享
目录（点击可跳转）PaddleDetection挑战赛参赛心得分享1 比赛介绍CVPR2020比赛：商超检测基线基线方案介绍2 比赛历史提交记录3 推进心得3.1 PD挑战赛_V1.0版本：Baseline基线代码测试3.2 PD挑战赛_V2.1版本：PP-YOLO_r18vd模型测试3.3 PD挑战赛_V2.3版本：6500iter恢复训练3.4 PD挑战赛_V2.3.1版本：8000iter恢复训练4 结语PaddleDetection挑战赛参赛心得分享飞桨开发者&百度飞桨官方帮帮团萌新：K
2020-09-29 16:22:20
955
2
原创 Q&A_T-1：来自萌新的深度学习Q&A
萌新的深度学习Q&A第一期-目录1. 我电脑的GPU能本地跑深度学习么？2. Nvidia系列GPU太多了，怎么选择呢？3. 一般需要多少显存？4. GPU算力的主要评测指标是什么?5. 算力不够怎么办？6. 深度学习的路线规划1. 我电脑的GPU能本地跑深度学习么？首先，要判断你的显卡厂商，如果是Nvidia(英伟达)显卡，那么恭喜你可以安装使用目前主流且较为成熟的CUDA深度学习通用并行计算架构。如果你是AMD的显卡，那么别灰心，也有专有的框架，名字是ROCm，只是目前的兼容性和效能
2020-09-28 00:33:51
486
原创 Win10下飞桨PaddlePaddle、Git & PaddleDetection安装教程
Win10下飞桨PaddlePaddle、Git & PaddleDetection安装教程前言PaddleDetection飞桨目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的组建、训练、优化及部署等全开发流程。PaddleDetection模块化地实现了多种主流目标检测算法，提供了丰富的数据增强策略、网络模块组件（如骨干网络）、损失函数等，并集成了模型压缩和跨平台高性能部署能力。经过长时间产业实践打磨，PaddleDetection已拥有顺畅、卓越的使用体验，被工业质检、遥感图像
2020-09-24 00:47:16
4218
1
原创 PaddlePaddle百度架构师手把手带你零基础实践深度学习Note1——零基础入门深度学习
PaddlePaddle百度架构师手把手带你零基础实践深度学习学习笔记——零基础入门深度学习1 前言2 机器学习和深度学习综述2.1 三个概念的定义和关系2.2 深度学习的历史和今天3 使用Python语言和Numpy库来构建神经网络模型3.1 波士顿房价预测问题3.2 处理数据&设计模型3.3 模型的损失与优化3.4 梯度下降的代码实现3.5 随机梯度下降：原理与实现方法3.6 使用随机梯度下降实现模型训练4 飞桨开源深度学习平台介绍4.1 为什么要有深度学习框架？4.2 使用飞桨实践深度学习的优
2020-08-16 08:11:07
329
原创 PaddlePaddle百度论文复现营——视频分类入门学习笔记
PaddlePaddle百度论文复现营——视频分类入门学习笔记1 任务与背景视频分类任务、问题与挑战、经典数据集、深度学习相关背景知识1.1 视频分类的意义1.2 视频分类定义1.3 视频分类的挑战1.4 视频分类发展历程1.5 视频分类数据集1.5.1 HMDB-51主要用于行为识别1.5.2 UCF-101主要用于行为识别，运动分析，是最具有影响力的视频分类数据集之一1.5.3 Sports-1M主要用于行为识别，运动分析，斯坦福大学提供的视频分类数
2020-08-07 00:45:38
620
原创 PaddlePaddle飞桨论文复现营——3D Residual Networks for Action Recognition学习笔记
PaddlePaddle飞桨论文复现营——3D Residual Networks for Action Recognition学习笔记1 背景知识1.1 C3DC3D是一种3D卷积提取视频特征的方法，从水平(X)、垂直(Y)和时序(T)三个方向三个方面同时提取视频的时空特征，其提取到的特征比常规的2D卷积更自然[1]。缺点就是，因为多了一维“时序(T)”，卷积后会引起参数剧增，对计算机GPU算力要求较大。P.S: C3D源代码和预训练模型可参考：http://vlg.cs.dartmouth.e
2020-08-06 18:00:30
1212
原创 PaddlePaddle百度论文复现营——GAN入门学习笔记
百度论文复现营——GAN入门学习笔记1 GAN 概述什么是生成对抗网络？由谁提出？为什么要学习GAN?2 原理与改进GAN的基本原理，GAN的训练方法，GAN的现有问题，GAN的改进方法3 应用场景图像风格迁移4 课程实践手写数字生成你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，
2020-08-06 08:34:06
405
原创 【个人心得】飞桨强化学习7日打卡营学习心得
1 课程回顾第一次接触强化学习能遇到飞桨的科科老师挺幸运的，在此再次感谢她和她的团队为了这门课程所付出的努力，她能用十分清晰简洁的逻辑将复杂的强化学习算法讲的浅显易懂，让我再次理解到了数学抽象的魅力，也为我备考（考研）路上攻克数学增加了不少动力~课程链接是：https://aistudio.baidu.com/aistudio/education/group/info/1335感兴趣的小伙伴可以前往查看哦，有十分详细的录播~以下是我5课节的笔记分享：Lesson1: https://blog.cs
2020-06-26 23:52:29
515
原创 【学习笔记】Lesson5-连续动作空间上求解RL（强化学习7日打卡营-世界冠军带你从零实践）
5.1 连续动作空间tanh(x)用来限制输出的action范围在[-1,1]，最后需要根据实际情况缩放。5.2 DDPG(Deep Deterministic Policy Gradient)5.2.1 DQN➡DDPGDDPG除了需要学习Q网络，还需要学习策略网络。5.2.2 Actor-Critic结构（评论家-演员）策略网络——Actor目标网络——Critic目标网络(Target Network)&经验回放(Replay Memory)5.3
2020-06-26 20:07:06
410
原创 【学习笔记】Lesson4-基于策略梯度求解RL（强化学习7日打卡营-世界冠军带你从零实践）
4.1 随机策略与策略梯度4.1.1 Value-based & Policy-based常见的确定性策略有：Sarsa, Q-learning, DQN常见的随机性策略有：Policy gradient确定性策略优先优化Q网络，输出的是确定性的策略（结果）。随机性策略输出的是不同动作的概率，在随机性的场景较为适用，比如小游戏剪刀石头布。4.1.2 Softmax函数4.1.3 随机性策略举例＞ Episode(一轮)4.1.4 轨迹Trajectory——每个e
2020-06-26 19:47:07
372
原创 【学习笔记】Lesson3-基于神经网络方法求解RL（强化学习7日打卡营-世界冠军带你从零实践）
Lesson3-基于神经网络方法求解RL3.1 背景知识——值函数近似&神经网络RL➡Deep RL: 从少量状态到数不清的状态3.1.1 值函数近似（Q函数近似）3.1.2 神经网络——黑盒不黑神经网络可逼近任意连续函数案例分析：求解四元一次方程代码如下# 运行线性回归模型————快速求解4元一次方程# 加载库import paddle.fluid as fluidimport numpy as np# 生成数据np.random.seed(0)out
2020-06-26 18:35:56
462
原创 【学习笔记】Lesson2-基于表格型方法求解RL（强化学习7日打卡营-世界冠军带你从零实践）
2.1 MDP、状态价值&Q表格2.1.1 MDP(马尔可夫决策过程)四元组<S,A,P,R>2.1.2 Q表格：状态动作价值Q表格就像是一本生活经验手册，上面记录着不同情况（State）下，不同行动（Action）所带来的价值（Reward）。往往同一个行动在不同情况下会产生不同的价值，生活中也是如此。为了实现最大效益，我们往往不能只看眼前效益，很多时候我们需要关注一系列行动所带来的未来总收益，但只关注未来总收益未必合理，因此，引入了衰减因子γ（伽马），让模型更
2020-06-26 16:54:13
389
原创 【学习笔记】Lesson1-强化学习(RL)初印象（强化学习7日打卡营-世界冠军带你从零实践）
Lesson1-强化学习(RL)初印象1 什么是强化学习1.1 核心思想智能体agent在环境environment中学习，根据环境的状态state，执行动作action，并根据环境的反馈reward（类似于现实生活的奖励）来指导更好的动作。关键词：2 part: agent, environment3 factors: state/observation, action, reward两大特点：强环境交互，强决策性奖励延迟1.2 一个有趣的示例代码可参考PARL目录：
2020-06-23 23:27:22
327
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