![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习笔记
文章平均质量分 94
--
gXh_007
偷师学艺,专业调包侠
展开
-
论文阅读笔记_Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model (TrajGRU)
ConLSTM:卷积递归结构是位置不变的的,但自然运动通常位置可变。TrajGRU:修改递归结构本身,修改旋转和缩放等运动模式。论文提出一个基准:1.算法离线设置只能使用一个固定的窗口前的雷达回波地图。2.在线设置是使用所有历史数据和在线学习算法。TrajGRU使用子网,在状态转换前输出状态的连接结构。降水预报问题:首先将雷达回波图中的反射率因子转化为灰度图像,然后将其输入到预报算法中。因此,降水临近预报可以看作是一种带有固定“摄像机”的视频预报问题,“摄像机”就是天气雷达。TrajGRU的目原创 2021-08-10 11:31:43 · 1441 阅读 · 0 评论 -
SSD算法学习笔记_网络解读
参考代码:SSD算法_Pytorch实现参考资料:【SSD算法】史上最全代码解析-核心篇 SSD算法简单介绍这里由于Pytorch代码已经有很多人解读过,而且每个人跑的时候几乎都会遇到莫名奇妙的bug,所以这里主要把SSD算法的网络结构图拿出来解读,想要实现代码可以点击上方留的链接。目前目标检测算法主要分为One-stage和Two-stage两大类:One-stage检测算法: 能够直接回归出目标框的位置,即不用产生候选框,直接将目标边框定位的问题转化为回归问题,主要包括SSD原创 2020-12-24 21:34:02 · 287 阅读 · 3 评论 -
PyTorch_ConvLSTM代码(参数)解读笔记
原代码链接:ConvLSTM_pytorch参考资料:LSTM的参数解释Pytorch-LSTM输入输出参数ConvLSTM参数详解(Keras)1.导入pytorchimport torchimport torch.nn as nn 2.构建LSTMCellclass ConvLSTMCell(nn.Module): #这里面全都是数,衡量后面输入数据的维度/通道尺寸 def __init__(self, input_dim, hidden_dim, kernel_si原创 2020-11-01 15:24:16 · 15779 阅读 · 32 评论 -
PyTorch_构建一个LSTM网络单元
今天用PyTorch参考《Python深度学习基于PyTorch》搭建了一个LSTM网络单元,在这里做一下笔记。1.LSTM的原理LSTM是RNN(循环神经网络)的变体,全名为长短期记忆网络(Long Short Term Memory networks)。它的精髓在于引入了细胞状态这样一个概念,不同于RNN只考虑最近的状态,LSTM的细胞状态会决定哪些状态应该被留下来,哪些状态应该被遗忘。具体与RNN的区别可参考这篇博文:LSTM与RNN的比较先放一张LSTM网络的模型图:如上图所示,可以看原创 2020-10-27 16:34:01 · 2638 阅读 · 3 评论 -
PyTorch_简单神经网络搭建_MNIST数据集
今天用PyTorch参考《Python深度学习基于PyTorch》搭建了一个简单的神经网络,在这里做一下笔记。这是本次搭建神经网络的结构图下面不废话了,直接代码实现先导入必要的模块import numpy as npimport torch#导入PyTorch内置的mnist数据from torchvision.datasets import mnist#导入预处理模块from torchvision import transforms#该接口主要用来将自定义的数据读取接口的输原创 2020-10-25 16:06:03 · 4493 阅读 · 8 评论 -
PyTorch_CNN网络搭建_MNIST数据集
上一篇文章搭建了一个简单的神经网络来检测MNIST数据集,今天搭建了一个CNN网络,同样来检测MNIST数据集,下面通过分析代码来记录一下我搭建过程中遇到的问题。除了网络搭建部分代码外,其余代码与上次代码基本一致。简单神经网络搭建:PyTorch_简单神经网络搭建_MNIST数据集1.导入模块import torchimport torchvisionimport numpy as np#导入图像数据处理函数from torchvision import datasets,transfor原创 2020-10-27 17:08:53 · 564 阅读 · 2 评论