concept
架构
1 x 1 Conv 好处
非常优秀的结构,可以跨通道组织信息,提高网络表达能力,同时可以对输出通道升维和降维,性价比高,很小的计算量就能增加一层 特征变换 和 非线性化。
也可适度使用大卷积核,3x3 5x5, 可以增加多样性。
辅助分类器
最后和 结果整合, 权重0.3
拆解卷积核,7x7
拆成 1x7 , 7x1 , 增加 运算速度,减轻过拟合,增加非线性表达能力。
implement
lambda 的用法 (烦了我很久)
学过就忘,健忘如我
lambda param1, param2, ... : expression
#就等于
def fun( param1, param2, ... ) :
return expression
用法 max 函数
def max(m, n):
return m if m > n else n
print(max(10, 3)) # 10
等效于
==================
maxx = lambda m, n: m if m > n else n
print(maxx(10, 3)) # 10
slim.arg_scope
设置默认参数,节省时间。
tf.squeeze
消除输出tensor中 前两个为 1 的维度。
tf.random_uniform( (batch_s , height , width , 3) )
生成随机的图片数据, 牛逼 , 真想看看 长什么样