![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
笔记
qq_44714709
这个作者很懒,什么都没留下…
展开
-
《动手学习深度学习》第三天
1、softmax回归 和线性回归差不多,只是这个在线性回归后加入了概率计算,将连续回归问题转换为了分类问题。我还是看着原书,然后将代码用pytorch的方式实现,事实证明,菜鸡就是菜鸡,不能自己成功实现任何一个代码,哭晕在厕所。。。。。。。 1.1 softmax回归公式 (1)模型 就是在线性回归后为了得到每个类别的概率就分别拿每个概率的输出除以总和,这样就保证了输出总和为1,并且概率在0-1之间。exp就是为了防止出现概率为负数。 (2)损失函数 对于分类问题来说,一般选择交叉熵作为损失函数,这一原创 2020-09-06 11:17:15 · 139 阅读 · 0 评论 -
《动手学习深度学习》第二天
正式开始啦!!! 线性回归 1、回归与分类的差别 最开始接触机器学习的时候,回归与分类就困扰了好久,就像书中说的那样回归的输出是连续的,就像天气的变化,在一定时间内都是连续变化的,不会说一下子温度就会从20度到30度,并且只要单位够小,从20度到21度之间可以划分为无数个不同度数。同样拿天气来说,分类预测明天是否会下雨,我们会提前给定几个状态,下雨还是不下雨,又或者说阴天,就算加上什么雷阵雨的,也是可数的几个状态。 2、线性回归原理 书中的介绍已经够清楚了,就是通过线性模型来找到输入与输出之前的关系。这里还原创 2020-09-02 18:42:24 · 200 阅读 · 0 评论 -
《动手学习深度学习》第一天
最近感觉学什么都不会,无法将学到的东西与代码进行结合,越想越觉得是自己基础没有打好,看到动手学习深度学习这本书就准备重新打一遍底。 这本书主要讲解了深度学习的基础概念和技术,主要是可以从头到尾对深度学习有一个更全面的了解。今天是开始的第一天,希望能够坚持下去!!!先给自己打个气,加油,加油,加油!!! 先把书的链接放到这里,感兴趣的也可以一起学习讨论:添加链接描述 花了3个小时把第一张背景简介和第二章深度学习框架的基本用法看了下,书中用的深度学习框架是MXNet,我准备用pytorch,在看那些基础的用法时原创 2020-09-01 10:32:23 · 105 阅读 · 0 评论 -
Densely Connected Convolutional Networks阅读笔记
1、论文解决了什么问题 文章主要对稠密链接的效果进行试验研究和分析。 2、论文采用了什么方法 通过稠密卷积网络将每层网络都与其对应的输入进行连接。 3、论文达到了什么效果 1、缓和了梯度消失的问题。 2、巩固了特征的传播。 3、支持特征的重复使用。 4、论文的关键内容 1、设计了一个可以控制网络深度的超参数,当计算机计算能力有限时,可以将网络深度设置小一些。 2、在Bottleneck layers中在33的卷积之前都加入了11的卷积,可以在通道数过多时,减少通道数,加快计算效率。并且每个Bottlenec原创 2020-08-24 00:00:31 · 138 阅读 · 0 评论 -
pytorch和tensorflow安装记录
记录一下安装pytorch的艰难历程 pytorch安装的时候各种报错 最开始可能是环境问题,先安装了tensorflow-gpu1.15.0版本的,不知道是不是tensorflow在使用时要求的cudnn版本和pytroch1.0.0不能兼容,总之开始各种报错,最多的错误就是无法从什么_C里面导入*,还有其他乱七八糟的包,还遇到过无法定位输入程序,错误多到超过认知,每一次重新安装都会报错。 后面,在网上看到一个方法,将torch里面的.dll文件全部复制到c盘windows的system32下,然后就开始原创 2020-07-10 14:59:41 · 213 阅读 · 0 评论 -
简单理解FPN
简单理解RPN与FPN 前提:在进行逐层的特征提取后,就会得到高语义的特征图,但是一般经过多层卷积后,图像都会比原来小很多。而正如我们在做目标检测时看到的那样,检测的显示出来的图片是和原来的一样大的,因此就要把具有高语义的小特征图进行大小上的还原。rpn与fpn的不同之处就在于还原方法上的不同: FPN:fpn将提取到的特征图经过插值方法进行还原。 RPN:rpn按照反向顺序对每一层进行上采样,再与之前下采样记录的特征进行融合,再卷积,这样就既可以得到高分辨率和高语义的图像信息了。 纯属个人理解。。。。。。原创 2020-06-08 00:16:01 · 1722 阅读 · 0 评论