深度学习
文章平均质量分 61
phil__naiping
抽象能力是程序员必须具备的。
展开
-
卷积的三种模式full、same、valid以及tf的卷积模式mode=same, valid
转载: https://zhuanlan.zhihu.com/p/62760780只有tensorflow在卷积函数里面存在mode=same/valid,pytorch中没有。转载 2021-03-20 21:50:22 · 639 阅读 · 0 评论 -
用于自动视觉分类的深度学习人类思维 Deep Learning Human Mind for Automated Visual Classification
阅读本文须知:本文是2017年IEEE Conference on Computer Vision and Pattern Recognition的一篇会议,但是在The Perils and Pitfalls of Block Designfor EEG Classification Experiments中对本文提出的方法产生了质疑,下一篇博客将讲述这篇文献。摘要1)如果有效的使用读心术, 我们将人类的视觉能力转换为计算机视觉的方法。本文将论述一个由大脑信号驱动的视觉对象分类器来解决这个问题.原创 2021-03-02 17:18:09 · 798 阅读 · 0 评论 -
如何查看已安装tensorflow、pytorch的版本和位置
在终端或者命令行输入python,进入python环境# pytorch>>> import torch >>> torch.__version__'1.7.1'>>> torch.__path__['/opt/anaconda3/lib/python3.7/site-packages/torch']#tensorflow>>>import tensorflow as tf>>>tf.__pat.原创 2021-03-01 22:22:56 · 1955 阅读 · 0 评论 -
pick_types()函数及参数 meg eeg stim eog ecg
#准备数据import numpy as npimport mnefrom mne import iofrom mne.datasets import sampledata_path = sample.data_path()raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif'event_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_ra原创 2021-02-28 22:10:37 · 5518 阅读 · 4 评论 -
accuracy_score、recall_score、precision_score、roc_auc_score参数理解 学习器性能评价函数
了解一个函数首先看这个函数的功能,也就是这个函数的参数有哪些,这个函数的返回值是哪些。其次和这个函数类似的函数之间的对比,什么情况下用什么、用哪个会更好(减少调用的时间,数据的存储决定怎么调用等等)。最后就是列举一些这个函数的例子,确保达到会用的程度。熟悉函数的这些含义是用好它的前提,因此,非常有必要去总结这些函数。 熟悉这些函数的方法就是看官方文档的注释,理解不透的就是看相关博客啦!accuracy_score()函数1、函数功能分类正确率分数,函数返回一个分数,这个分数或是正确的比.原创 2021-02-22 00:47:40 · 11040 阅读 · 2 评论 -
permute函数(Pytorch)
permute函数的作用是对tensor进行转置。import torchimport torch.nn as nnx = torch.randn(1, 2, 3, 4)print(x.size()) print(x.permute(2, 1, 0, 3).size())随机生成一个1X2X3X4的四维向量,permute函数的参数表示的是转置后的向量位置。比如原向量中(1, 2, 3, 4),1的下标是0,2的下标是1,3的下标是2,4的下标是3;在x.permute(2,.原创 2021-02-17 11:37:25 · 9985 阅读 · 0 评论 -
Conv2d函数详解(Pytorch)
本文是基于Pytorch框架下的API :Conv2d()。该函数使用在二维输入,另外还有Conv1d()、Conv3d(),其输入分别是一维和三维。下面将介绍Conv2d()的参数。一、参数介绍 def __init__( self, in_channels: int, out_channels: int, kernel_size: _size_2_t, stride: _size_2_t = 1, p.原创 2021-02-15 23:12:42 · 62416 阅读 · 10 评论 -
CNN 卷积神经网络详解
一、深度学习的应用已经遍布我们身边。他通过增加比传统的机器学习更多的迭代次数、受大脑中神经元传播脑电波启发而被提出,另外他的效果要比传统的机器学习方法好的多,因此得以被广泛的应用。他可以帮助汽车在毫秒的速度辨别障碍物,这技术应用在一直很火的无人驾驶技术;另外深度学习帮助人脸识别技术成为可能,在智能手机和门锁等计算机视觉的发展带来了很多应用的产生。 图像识别 目标检测 将一张照片转换为另一种风格(两张图片的融合) 总之深度学习的原创 2021-02-15 19:46:53 · 1319 阅读 · 0 评论 -
计算机视觉 自动驾驶目标检测 YOLO算法及优化策略
一、三个问题1、图片分类问题是算法遍历图片,判断图片中是否又汽车。具体的过程就是一张图片输入到网络中会输出一个特征向量,将这个特征向量输入到softmax单元去预测图片的类型。2、对象定位问题是指要在图片中说明对象的位置,现在设置对象标签,标签y=【Pc,bx,by,bh,bw,c1,c2,c3】,Pc代表图片中是否有对象,如果图片中存在目标对象那么Pc=1,如果不存在Pc=0,当Pc=0时,后面的参数就没有意义了。bx、by是目标在图片中的位置,坐标系是以图片的左上角为原点,图片的右下角坐标是(1,1原创 2021-02-09 19:57:44 · 1211 阅读 · 0 评论 -
1x1卷积核的神奇魔力以及Inception网络概述
神奇魔力1:举例子说明,假如网络的输入是28x28x192——>ReLU、CONV 1x1x192——>28x28x192。经过这样1x1的卷积,给神经网络提供了一个非线性函数(ReLU),从而减少或者保持输入层的通道数量。神奇魔力2:假如网络的输入是28x28x192——>ReLU、CONV 1x1x32——>28x28x32。这样有效的减少了输入的通道数,从192->32。神奇魔力3:在Inception网络中,使用了1x1卷积层来构建瓶颈层,从而大大降低了计算成本。.原创 2021-02-07 23:20:01 · 429 阅读 · 0 评论 -
使用免费的GPU进行深度学习 Colaboratory的使用 薅羊毛啦
一、GPU使用概述GPU是深度学习的必需品,一般的电脑只有CPU。笔记本添加GPU是不太现实的,台式机也会有不同厂家、不同型号的魔咒,因此使用线上的GPU就非常的方便,现在也有很多的收费GPU,是按照时间去收取GPU的费用的。比如极算云、矩池云等等,价格在2-10/h,其实还行。但是我发现竟然有免费的GPU,这些GPU大都是一些大公司提供给深度学习的用户的,例如Google的kaggle、Colaboratory,百度的飞桨(需要人工审核,有的信息还是很隐私的)。相比这几种,kaggle其实是一个..原创 2021-01-24 14:41:37 · 834 阅读 · 1 评论 -
残差网络(Deep Residual Learning for Image Recognition的个人理解)
1、发现问题:当更深层次的网络能够开始收敛时,梯度问题就暴露出来了:随着网络深度的增加,精度会饱和(这可能并不奇怪),然后下降很快。2、分析问题:1)正确率下降表明并非所有的系统都是很容易优化的。退化问题表明很难用多个非线性层来逼近一个映射。2)在文献中,验证了在前向传播中没有出现0方差、在反向传播的梯度与BN表现出正常的规范,这两方面说明了退化问题不是梯度消失所导致的。在18层与34层的比较中,其实34层网络仍能达到竞争性的精度,这就说明深层网络在一定程度上是可行的。推测导致退化问题可能是有指数级.原创 2021-01-18 22:18:37 · 1115 阅读 · 0 评论