- 博客(30)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 【深度学习CV-baseline】GoogleNet-更深的卷积神经网络
1、学习目标训练技巧中认识googleNet提出的数据增强技巧；测试技巧中一张图片怎样变成144张图片。2、背景、成果及意义相关研究1、NIN（Network in Network网中网）：首个采用1*1卷积的卷积神经网络，舍弃全连接层，大大减少网络参数；压缩特征图的厚度，为后续卷积计算提供更少的feature map及通道数量2、Robust Object Recognition with Cortex-Like Mechanisms[15]：多尺度Gabor滤波器提取特征；参考文献[15
2022-06-23 10:06:39
762
原创 【复习笔记】电网络-第2章-网络图论基本理论
图是由节点和支路组成的，是节点和支路的一个集合，每条支路的两端都连接到相应的节点上第1节 网络的图和图论基本术语（1）图（线图）定义：边和顶点的集合，仅反映网络结构，不反映元件性质和支路之间的耦合关系（2）图（线图）特点：①去掉节点时，节点上连接的支路要一并去掉；②去掉支路时，支路两端的节点要予以保留。（3）顶点（节点）：①普通节点：线段的端点；②独立节点：孤立的点，不与支路相关联的点（4）边（支路）：联接两个顶点的一条线路（7）顶点的次数（维数、度）：与1个顶点相关联的边的数目称为该顶点的次数
2022-06-06 13:40:42
1066
原创 【复习笔记】电分知识补充（包括同步发电机、暂稳分析、短路计算）
一、同步发电机数学模型二、电力系统静态稳定分析三、电力系统暂态分析此版本的纸质笔记是第六章的完全补充，大家按需取用~
2022-06-06 12:09:48
486
3
原创 【深度学习CV-baseline】VGG论文精读
VGG-大规模图像识别的深度卷积神经网络一、研究背景、成果及意义1、学习目标这篇文章是针对卷积神经网络的深度去研究的，并且是针对大规模的图像识别任务中。2、研究背景、成果及意义相关研究1、AlexNet：ILSVRC-2012分类冠军，里程牌的CNN模型AlexNet卷积神经网络设计理念会一直沿用，前面卷积池化进行特征提取，后面FC层分类的设计思想。2、ZFNet：ILSVRC-2013分类冠军，对AlexNet改进仅仅是对AlexNet超参数的改变3、OverFeat：ILSVRC
2022-04-26 21:00:18
1076
原创 【复习笔记】电分-第六章-同步发电机的数学模型及电力系统静态、暂态稳定性分析
电分-第六章-同步发电机的数学模型及电力系统静态稳定性分析一、同步发电机数学模型1、同步发电机转子运动方程（类比 S=vt，关于功角的….；分析运动逻辑；TJ 物理意义）2、同步发电机的电磁功率曲线（分隐极机、凸极机+发电机空载电动势、暂态电势、机端电压不变；上述是考虑电抗，若考虑电阻因素：串、并联电阻、并联电抗）3、电力系统稳定基本概念（功角稳定又分 3 类；电压稳定；频率稳定）二、电力系统静态稳定分析（1）定义（3）小干扰分析法分析-李雅普诺夫理论三、电力系统暂态稳定分析
2022-04-26 19:58:14
5918
原创 【复习笔记】电网络-第1章-网络元件和网络基本性质
电网络-第1章-网络元件和网络基本性质第1节 网络及其元件的基本概念1.0 准备知识电路相关知识点（1）电路理论研究的是实际电路的模型：实际电路是为了某种目的、把电器件按照一定方式连接起来构成的整体电路模型是由理想化的网络元件连接而成的（2）电路理论中元器件的比较：器件是客观存在的物理实体，是实际电路的组成单元，比如：线圈、变压器、发电机等（电分中研究的内容）元件是理想化的模型，是网络的基本构造单元，在端子上服从一定的数学规律且只存在于概念之上，比如：线性电阻、受控源等电网络
2022-04-26 19:28:54
1653
原创 【复习笔记】电分-第5章-电力系统简单故障分析与计算（2）
电分-第5章-电力系统简单故障分析与计算（2）第1节 同步发电机基本方程1.1 abc坐标系的同步电机方程1.2 同步发电机绕组电感系数1.3 派克变换【派克变换】把定子上的交流变换到转子上的直流，直流方程易列写易求解，系数也都变为常系数。第2节 三相短路电流实用计算（包含2部分内容，其一是求短路发生时刻交流分量初始值；其二是求其他时刻的短路电流）2.1 短路电流交流分量初始值计算2.2 运算曲线法求解其他时刻短路电流（1）运算曲线制定（2）运算曲线法计算步骤第3
2022-04-21 09:49:09
417
原创 【深度学习CV-baseline】AlexNet论文精读
AlexNet-ImageNet Classification with Deep Convolutional Neural Networks 基于深度卷积神经网络的图像分类一、研究背景1、学习目标2、研究背景（1）数据集1）Mnist可以称为CV领域的Hello world，也就是我们入门CV领域的第一个接触的数据集，该数据集为人手写的0-9的10个数字，该数据集图片的分辨率为2828；2）Cifar-10与Mnist对标的数据集，是RGB图像，分辨率为3232；但是这些数据集数据量还是非
2022-04-13 19:39:04
2393
原创 【复习笔记】电分-第6章-电力系统简单故障分析与计算（1）
第1节 电力系统故障概述1.1 故障定义及分类（1）主要研究：简单故障—电力系统正常运行时某一处发生短路或断线故障；（2）复杂故障：系统中有两处或两处以上同时发生故障；（3）简单故障又分：断线故障（纵向故障）：一相断线、两相断线；短路故障（横向故障）：三相短路、两相短路、单相接地短路、两相短路接地1.2 短路故障短路：电力系统中相与相之间 或 相与地（或中性线）之间的不正常连接【注意事项】（1）运行经验表明，单相接地短路占绝大多数，三相短路发生概率最低；（2）三相短路称为对称短
2022-03-31 12:30:07
1439
5
原创 【复习笔记】电分-第五章-电力系统无功功率和电压调整
关于无功功率与电压的关系，前面有两处结论有所提及：结论①：高压网中（R<<X），无功功率由电压幅值高的一端流向电压幅值低的一端；结论②：P-Q分解法中有功功率P与无功功率Q分成2部分，其一是有功功率P与相角的修正方程，其二是无功功率Q与电压U的修正方程。本章会涉及3方面：（1）无功功率Q从哪来？——无功功率电源；（2）负荷消耗无功功率——无功负荷；（3）无功功率损耗：无功功率沿着变压器、线路等电力网传输过程中，变压器或线路上均存在电抗、电容从而产生无功功率损耗。第1节 电力系统中
2022-03-01 13:11:27
2199
4
原创 【复习笔记】电分-第二章-电力系统各元件特性及数学模型
电分-第二章-电力系统各元件特性及数学模型第一节 发电机参数和数学模型1.0 发电机参数和数学模型概述参数：Eq：空载电势； I：定子电流； U：端电压； XG：发电机电抗（一般不计发电机电阻，只计发电机电抗XG，且会给出标幺值XG*）发电机的数学模型：由1个电动势和电抗串联表示1.1 发电机运行极限（1）发电机运行极限图（允许运行范围）1）根据发电机额定运行时KVL方程绘图；2）如何确定运行极限图中横、纵轴，谁为有功？谁为无功？（2）发电机运行约束条件（3
2022-02-19 19:57:56
1916
原创 【复习笔记】电分-第一章-电力系统的基本概念
电分-第一章-电力系统的基本概念第1节 电力系统概述1.1 电力系统的组成（电力系统是什么？根据配图来分析）（1）电力系统记忆方法：①记住包含的设备------>②由各个设备发挥的能力------③联系其环节理解分析：①包括发电机、变压器、线路和用户—>②是生产、输送和分配、消耗电能的各种电气设备连接组成的整体—>③是由发电、变电、输电和配电、用户等环节组成的系统整理定义：电力系统是由发电、变电、输电和配电、用户等环节组成的系统，也可以说是生产、输送和分配、消耗电能的
2022-02-19 18:57:15
1089
1
原创 【复习笔记】电分-第四章-电力系统有功功率和频率调整
电分-第四章-电力系统有功功率和频率调整● 第1节 电力系统中的有功功率平衡 （有功功率与频率相关）● 1.1 有功负荷变动和调整控制● （1）有功负荷变动● 定义：系统负荷可分成具有3种不同变化规律的变动负荷● 特点：电力系统中的负荷变动幅度越大，周期越长● （2）调整控制● 有功负荷变动势必会造成频率变化，频率偏移±0.2~0.5Hz，当负荷变动特别大时，变化的频率有可能超出上、下限，此时需要调频；● 调整控制方式对应于三种负荷：● 1.2 有功功率电源、负荷和备用
2021-11-05 08:02:48
3314
1
原创 【复习笔记】电分-第三章-电力系统潮流分析与计算
电分-第三章-电力系统潮流分析与计算● 第1节 电力线路分析计算● 1.1（1）潮流、复功率概念● 潮流：功率、电压（前两者是主要研究对象）、电流● 复功率：● （2）负荷和发电机与无功功率之间的关系● 负荷以滞后功率因数运行时所吸收的无功功率为正，以超前功率因数运行时所吸收的无功功率为负；● 发电机以滞后功率因数运行时所发出的无功功率为正，以超前功率因数运行时所发出的无功功率为负。● 1.2 电力线路上的功率损耗和电压降落● （1）若已知线路的末端功率和末端电压，求首端功率和首端
2021-10-28 21:04:36
3825
原创 【学习笔记】Pytorch深度学习—Normalization_layers
【学习笔记】Pytorch深度学习—Normalization_layers一、为什么要进行Normalization?***`Internal Covariate Shfit`***二、常见的Normalization方法——BN、LN、IN、GN三、Normalization小结本节课的内容主要是深度学习中常见的Normalization方法，分别是BN、LN、IN、GN；主要分为3部分内容：（1）为什么要进行Normalization？（2）常见的Normalization方法——BN、LN、IN、
2020-09-04 15:32:39
1160
原创 【学习笔记】Pytorch深度学习—Batch Normalization
【学习笔记】Pytorch深度学习—Batch NormalizationBatch Normalization概念Pytorch的Batch Normalization 1d/2d/3d 实现本节内容主要分为2大部分：（1）Batch Normalization概念；（2）Pytorch的Batch Normalization 1d/2d/3d 实现Batch Normalization概念Pytorch的Batch Normalization 1d/2d/3d 实现...
2020-09-03 11:30:05
1849
原创 【学习笔记】Pytorch深度学习—正则化之Dropout
【学习笔记】Pytorch深度学习—正则化之DropoutDropout概念**`Dropout指随机失活：`**`随机：dropout probability， 指有一定的概率使得神经元失去活性；`**`失活：weight=0，神经元权重为0，相当于该神经元不存在。`**Dropout注意事项本节主要内容主要分为两大部分，（1）Dropout概念；（2）Dropout注意事项Dropout概念Dropout指随机失活：随机：dropout probability， 指有一定的概率使得神经元失去活性
2020-08-25 17:01:29
2417
原创 【学习笔记】Pytorch深度学习—正则化之weight decay权值衰减
【学习笔记】Pytorch深度学习—正则化之weight decay权值衰减正则化与偏差—方差分解`正则化Regularization定义``什么是方差？``正则化Regularization`Pytorch中的L2正则项—weight decay本节的主要内容分为2大部分：（1）正则化与偏差—方差分解：什么是正则化，正则化与偏差-方差分解之间的关系？（2）Pytorch中的L2正则项—weight decay。正则化与偏差—方差分解正则化Regularization定义所谓正则化就是一系列用来减少
2020-08-23 23:21:57
1526
原创 【学习笔记】Pytorch深度学习—hook函数与CAM可视化
【学习笔记】Pytorch深度学习—hook函数与CAM可视化Hook函数概念**`Hook Function`**Hook函数与特征图提取`Pytorch提供的四种Hook函数`**`1、Tensor.register_hook`****`2、Module.register_forward_hook`****`3、Module.register_forward_pre_hook`****`4、Module.register_backward_hook`**CAM（class activation map，
2020-08-22 22:35:25
1332
原创 【学习笔记】Pytorch深度学习—Tensorboard的使用（二）
【学习笔记】Pytorch深度学习——Tensorboard的使用（二）add_image and torchvision.utils.make_grid***`4、add_image()`******`5、torchvision.utils.make_grid`***AlexNet 卷积核与特征图可视化add_graph and torchsummary在上一节内容中学习了tensorboard中曲线绘制方法scalar和直方图统计方法histogram，本节内容仍然要学习tensorboard的其他方
2020-08-21 18:24:47
561
原创 【学习笔记】Pytorch深度学习—Tensorboard的使用（一）
【学习笔记】Pytorch深度学习——Tensorboard的使用（一）SummaryWriter本节笔记内容具体是学习tensorboard中的两个方法分别是scalar和histogram，一共分为3个部分：（1）首先学习SummaryWriter类；（2）其次，学习两个基本方法记录标量add_scalar和直方图可视化add_histogram；（3）最后，使用scalar和histogram来监控模型指标（分别有Loss曲线、Accrucy曲线以及参数分布、参数所对应的梯度分布情况）tensor
2020-08-19 21:41:19
1013
原创 【学习笔记】Pytorch深度学习—学习率调整策略
Pytorch深度学习—学习率调整策略为什么要调整学习率？前面的课程学习了优化器的概念，优化器中有很多超参数如学习率lr，momentum动量、weight_decay系数，这些超参数中最重要的就是学习率。学习率可以直接控制模型参数更新的步伐，此外，在整个模型训练过程中学习率也不是一成不变的，而是可以调整变化的。本节内容就可以分为以下3方面展开，分别是：（1）为什么要调整学习率？（2）Pytorch的六种学习率调整策略；（3）学习率调整总结。为什么要调整学习率？ 图1 梯度
2020-08-17 19:51:32
1842
原创 【学习笔记】Pytorch深度学习—优化器（二）
【学习笔记】Pytorch深度学习—优化器（二）learning rate 学习率momentum 动量torch.optim.SGDPytorch的十种优化器前面学习过了Pytorch中优化器optimizer的基本属性和方法，优化器optimizer的主要功能是 “管理模型中的可学习参数，并利用参数的梯度grad以一定的策略进行更新”。本节内容分为4部分，(1)、（2）首先了解2个重要概念Learning rate学习率和momentum动量，（3）在此基础上，学习Pytorch中的SGD随机梯度下降
2020-08-12 22:44:17
1003
2
原创 【学习笔记】Pytorch深度学习—优化器（一）
【学习笔记】Pytorch深度学习—优化器（一）什么是优化器optimizer的属性optimizer的方法前面我们学习过了损失函数，损失函数Loss是衡量模型输出与真实标签之间的差异的。有了损失函数Loss，通过Loss根据一定的策略 来更新模型中的参数使得损失函数Loss逐步降低；这便是优化器optimizer的任务。本节优化器optimizer主要包括3方面内容，分别是（1）什么是优化器，优化器的定义和作用是？（2）Pytorch中提供的优化器optimizer的基本属性是？（3）optimizer
2020-08-11 23:41:25
4148
2
原创 【学习笔记】Pytorch深度学习—损失函数（二）
【学习笔记】Pytorch深度学习—损失函数（二）5、nn.L1Loss6、nn.MSELoss7、nn.SmoothL1Loss8、nn.PoissonNLLLoss9、nn.KLDivLoss5、nn.L1Loss回归任务中常用的损失函数。功能：计算模型输出inputs与真实标签target之差的绝对值Ln=∣xn−yn∣L_n=\vert x_n-y_n\vertLn=∣xn−yn∣6、nn.MSELoss回归任务中常用的损失函数。功能：计算模型输出inputs与target之
2020-08-10 18:46:15
1836
原创 【学习笔记】Pytorch深度学习—损失函数（一）
【学习笔记】Pytorch深度学习—损失函数损失函数概念交叉熵损失函数其他损失函数NLL、BCE、BCEWithLogits Loss前面学习了如何构建模型、模型初始化，本章学习损失函数。本章从3个方面学习，（1）损失函数的概念以及作用；（2）学习交叉熵损失函数；（3）学习其他损失函数NLL、BCE、BCEWithLogits Loss损失函数概念损失函数：衡量模型输出与真实标签的差异。 图1 一元线性回归模型 如图1所示，一元线性回归模型中绿色点是训练样本，蓝色曲线
2020-08-08 20:45:15
1044
原创 【学习笔记】Pytorch深度学习-权值初始化
【学习笔记】Pytorch深度学习-权值初始化梯度爆炸和消失Xavier方法和Kaiming方法常用的初始化方法前面学习了搭建网络模型的各个层级与结构，想要训练得到1个良好的网络模型，正确的权值初始化方法可以加快模型的收敛，相反，不恰当的权值初始化可能导致梯度爆炸或消失，最终导致模型无法训练。因此，本节主要从3方面来分析了解权值初始化：（1）分析不恰当的权值初始化是如何引发梯度消失与爆炸的？（2）学习常用的Xavier与Kaiming权值初始化方法；（3）学习Pytorch中10种权值初始化方法。梯度爆
2020-08-06 14:39:07
973
原创 【学习笔记】Pytorch深度学习-网络层之池化层、线性层、激活函数层
【学习笔记】Pytorch深度学习-网络层之池化层、线性层、激活函数层池化层（Pooling Layer）线性层（Linear Layer）激活函数层（ Activation Layer）池化层（Pooling Layer） 图1 左-最大值池化、右-平均值池化池化定义池化运算是对信号进行“收集”并“总结”。由于池化操作类似蓄水池收集水资源，因此得名池化。（1）收集通过池化运算将信号由多变少，图像尺寸由大变小的过程；（2）总结如图1中左图所示，1张 4
2020-08-02 19:59:59
2838
1
原创 【学习笔记】Pytorch深度学习-网络层之卷积层
Pytorch深度学习-网络层之卷积层学习指南卷积概念Pytorch中卷积实现—nn.Conv2d()Pytorch中转置卷积—nn.ConvTranspose卷积概念什么是卷积？学习指南卷积概念Pytorch中卷积实现—nn.Conv2d()Pytorch中转置卷积—nn.ConvTranspose卷积概念什么是卷积？卷积运算：卷积核在输入信号（图像）上滑动，相应位置上进行先乘后加的运算以上图为例，中间为卷积核，在输入图像上进行滑动，当滑动到当前位置时，其卷积运算操作是： 
2020-08-01 20:15:09
944
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人