小模型也有大用处,小型CNN模型SqueezeNet

已于 2023-03-07 23:32:38 修改
阅读量115 收藏
点赞数
文章标签： python
于 2023-03-07 23:16:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_36521593/article/details/129394125
版权

1. 加入mindspore社区

实现官网中的应用案例-小型CNN模型SqueezeNet

1.安装opencv

pip install --upgrade opencv-python

pip install --upgrade opencv-contrib-python

pip install --upgrade opencv-python-headless

 安装mindvision

pip install mindvision

下载&可视化数据集

 

测试模型输出的数据形状 

 训练过程中的loss值

预测结果

 

 

 

weixin_36521593
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
轻量CNN模型
qq_37435458的博客
03-03 1964
在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型是难以被应用的。 (1)首先是模型过于庞大，面临着内存不足的问题。 (2)其次这些场景要求低延迟，或者说响应速度要快。 所以，研究小而高效的CNN模型在这些场景至关重要。 目前的研究总结来看分为两个方向：一是对训练好的复杂模型进行压缩得到小模型；二是直接设计小模型并进行训练。不管如何，其目标在保持模型性能（accuracy）的前提下降低模型大小（parameters size），同时提升模型速度（speed, low latency）。 【学习链接
CNN经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning,squeezenet
程序猿的视界
07-15 9236
关于卷积神经网络CNN，网络和文献中有非常多的资料，我在工作/研究中也用了好一段时间各种常见的model了，就想着简单整理一下，以备查阅之需。如果读者是初接触CNN，建议可以先看一看“Deep Learning（深度学习）学习笔记整理系列”中关于CNN的介绍[1]，是介绍我们常说的Lenet为例，相信会对初学者有帮助。 Lenet，1986年Alexnet，2012年GoogleNet，20
深度学习大模型学习100tips
xw555666的博客
11-07 1万+
通过深入了解这些细节，并在实际项目中应用相关的知识，将能够更好地理解和利用大模型的潜力，不仅在学术研究中，也在工程实践中。通过不断探索新方法、参与项目和保持热情，并将其应用于各种领域，从自然语言处理到计算机视觉和自动驾驶。通过不断学习、实践和探索，可以不断提升自己在深度学习领域的技能和洞察力，同时也能为社会和行业带来创新和改进。从小规模的项目和模型开始，逐渐迭代和扩展到更大的模型，逐步积累经验，最终能够处理大模型和复杂任务。分享您的研究成果和代码，以获得反馈和建立声誉。
卷积神经网络CNN经典模型整理Lenet，Alexnet
ytusdc的博客
11-09 1835
LeNet5 LeNet5 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从 1988 年开始，在许多次成功的迭代后，这项由 Yann LeCun 完成的开拓性成果被命名为 LeNet5（参见：Gradient-Based Learning Applied to Document Recognition）。 LeNet5 的架构基于这样的观点：
卷积神经网络CNN经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning,squeezenet
wzy的博客
09-06 6050
欢迎转载，转载请注明：本文出自Bin的专栏blog.csdn.net/xbinworld。  技术交流QQ群：433250724，欢迎对算法、技术感兴趣的同学加入。 关于卷积神经网络CNN，网络和文献中有非常多的资料，我在工作/研究中也用了好一段时间各种常见的model了，就想着简单整理一下，以备查阅之需。如果读者是初接触CNN，建议可以先看一看“Deep Learning（深度学习）学习
CNN几种经典模型比较
浩瀚之水的专栏
08-28 5740
LeNet5 LeNet5 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从 1988 年开始，在许多次成功的迭代后，这项由 Yann LeCun 完成的开拓性成果被命名为 LeNet5（参见：Gradient-Based Learning Applied to Document Recognition）。 LeNet5 的架构基于这样的观
CNN经典模型总结
xihang_alpha的博客
04-15 7086
转自：http://www.open-open.com/lib/view/open1473213789568.html 参考：http://blog.csdn.NET/qq_17754181/article/details/59111864?locationNum=14&fps=1 略有删改。 LeNet5LeNet5 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自
大模型训练全解析：100条实用建议与深入指导
2401_84204207的博客
07-26 551
通过深入了解本文中的这些细节，并在实际项目中应用相关知识，将能够更好地理解和利用大模型的潜力，不仅在学术研究中，也在工程实践中。通过不断探索新方法、参与项目和保持热情，并将其应用于各种领域，从自然语言处理到计算机视觉和自动驾驶。通过不断学习、实践和探索，可以不断提升自己在深度学习领域的技能和洞察力，同时也能为社会和行业带来创新和改进。从小规模的项目和模型开始，逐渐迭代和扩展到更大的模型，逐步积累经验，最终能够处理大模型和复杂任务。分享您的研究成果和代码，以获得反馈和建立声誉。
系统学习深度学习（二十二）--CNN经典模型总结
热门推荐
工作笔记
03-17 3万+
转自：http://www.open-open.com/lib/view/open1473213789568.html 参考：http://blog.csdn.net/qq_17754181/article/details/59111864?locationNum=14&fps=1 略有删改。 LeNet5 LeNet5 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深...
车辆样本33x33-1500个-车头.rar
11-18
对于33x33的小型图像，可能需要使用轻量级的CNN架构，如MobileNet或SqueezeNet，以保持计算效率。 为了提高模型的准确性和泛化能力，还需要进行数据增强，比如随机翻转、裁剪、旋转和色彩变换。这样可以增加模型在...
【翻译笔记】Squeeze-and-Excitation Networks
Kaleidoscope的博客
04-27 2455
卷积神经网络（CNN）的核心模块是卷积块，它使网络能够融合每层局部感受野内的空间和通道信息构建信息特征。 大量的先前研究已经研究了这种关系的空间结构，试图通过在整个特征层次上提高空间编码的质量来增强CNN的表示能力。 在这项工作中，我们将重点放在通道关系上，并提出一个新颖的体系结构单元，我们称之为“挤压和激励”（SE）块，该模块通过显式建模通道之间的相互依赖性来自适应地重新校准通道方式的特征响应。 我们展示了模块堆叠在一起以形成的SENet架构，该架构可以非常有效地概括不同数据集。
【第9篇】SENET：Squeeze-and-Excitation网络
m0_47867638的博客
04-24 98
在这项工作中，我们将重点放在通道关系上，并提出了一种新的架构单元，我们称之为“挤压和激励”(SE)块，该单元通过明确建模通道之间的相互依赖性，自适应地重新校准通道特征响应。我们进一步证明，SE块在略微增加计算成本的情况下，为现有最先进的cnn带来了显著的性能改进。压缩和激励网络构成了我们2017年ILSVRC分类提交的基础，该分类提交获得了第一名，并将前5名的错误率降低到2.25 %，比2016年的获奖作品相对提高了25%。
【第26篇】MobileNets：用于移动视觉应用的高效卷积神经网络
2401_84140428的博客
04-27 679
这是depthwise和1×1 pointwise卷积的总和。通过将卷积表示为过滤和组合的两步过程，我们可以减少以下计算：MobileNet 使用 3 × 3 深度可分离卷积，它使用的计算量比标准卷积少 8 到 9 倍，而准确度仅略有降低，如第 4 节所示。空间维度的额外分解，例如 [16, 31] 并没有节省太多额外的计算，因为在深度卷积中花费的计算很少。3.2、网络结构和训练MobileNet 结构建立在上一节中提到的深度可分离卷积之上，但第一层是全卷积。
【python】—— Python爬虫实战：爬取珠海市2011-2023年天气数据并保存为CSV文件
weixin_63106307的博客
09-05 1114
本文将介绍如何使用Python编写一个简单的爬虫程序，以爬取珠海市2011年至2023年的天气数据，并将这些数据保存为CSV文件。
【FFMPEG】Install FFmpeg CUDA gltransition in Ubuntu
RockWang的博客
09-05 483
FFMPEG gltranlations CUDA
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定
weixin_53707653的博客
09-09 774
是一个强大且易用的工具，可以帮助开发者轻松管理 Python 项目的依赖关系，确保代码的可重复性和稳定性。是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。可以确保每次构建环境时都使用相同的依赖项版本，从而避免由于依赖项版本不一致导致的错误，提高代码可重复性和稳定性。自动化了依赖关系管理过程，节省了开发者的时间和精力，可以将更多时间投入到实际的开发工作中。文件中的信息，更新虚拟环境，安装、升级或卸载所需的软件包，确保虚拟环境与。命令可以从你的项目配置文件中生成。
Python实现多线程、多进程及协程
最新发布
qq_42568323的博客
09-09 1008
本文详细介绍了 Python 中多线程、多进程和协程的并发模型及其实现方式，并通过具体场景演示了如何使用面向对象思想实现这些模型。在实际应用中，应根据任务的类型和需求选择合适的并发模型，从而优化程序的性能和资源利用率。本文将详细介绍 Python 中的多线程、多进程和协程的概念及其实现方式，并通过具体场景展示如何在 Python 中使用面向对象的思想实现这些并发模型。接下来，我们通过一个计算密集型任务的示例来演示多进程的实现：计算一系列大数字的阶乘。主程序中创建并启动了多个计算进程，并使用。
[Python]生成器和yield关键字
weixin_57336987的博客
09-07 391
概述:​ 它指的是 generator, 类似于以前学过的: 列表推导式, 集合推导式, 字典推导式…作用:​ 降低资源消耗, 快速(批量)生成数据.实现方式:​ 1.推导式写法.​ 2.yield写法.yield i # yield会记录每个生成的数据, 然后逐个的放到生成器对象中, 最终返回生成器对象.问题: 如何从生成器对象中获取数据?​ 答案:​ 1.for循环遍历​ 2.next()函数, 逐个获取.
深度学习CNN模型详解：从AlexNet到EfficientNet
"CNN模型大全.pptx 是一个详尽介绍卷积神经网络（CNN）模型的资料，包含了从基础的LeNet到现代先进的EfficientNet等多种模型的讲解，以及模型评价的关键指标如准确性、训练速度、参数数量和算力消耗。资料中还特别...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值