深度学习的宏观框架
文章平均质量分 71
【网络星空】
人工智能图像领域算法研发,实时发布行业最新技术,希望大家白嫖愉快。
展开
-
pytorch快速搭建卷积神经网络【优化器_第3课_获取模型参数_state_dict】
理论state_dict()功能:获取模型当前的参数,以一个有序字典形式返回。 这个有序字典中,key 是各层参数名,value 就是参数。代码# coding: utf-8import torch.nn as nnimport torch.nn.functional as F# ----------------------------------- state_dictclass Net(nn.Module): def __init__(self): super(原创 2022-05-04 19:31:29 · 222 阅读 · 0 评论 -
【PyTorch量化实践(2)】
翻译来源https://pytorch.org/blog/quantization-in-practice/量化是一种廉价而简单的方法,可以使深度神经网络模型运行得更快,并具有更低的内存需求。PyTorch提供了几种量化模型的不同方法。在这篇博客文章中,我们将(快速)为深度学习中的量化奠定基础,然后看看每种技术在实践中是怎样的。最后,我们将以文献中关于在工作流程中使用量化的建议作为结束。PyTorch允许使用几种不同的方法来量化模型:FX Graph模式自动融合符合条件的模块,插入Quant/DeQuant原创 2022-07-10 21:42:55 · 614 阅读 · 0 评论 -
【PyTorch量化实践(1)】
翻译来源https://pytorch.org/blog/quantization-in-practice/量化是一种廉价而简单的方法,可以使深度神经网络模型运行得更快,并具有更低的内存需求。PyTorch提供了几种量化模型的不同方法。在这篇博客文章中,我们将(快速)为深度学习中的量化奠定基础,然后看看每种技术在实践中是怎样的。最后,我们将以文献中关于在工作流程中使用量化的建议作为结束。量化本质是信息压缩,在深度网络中,它指的是降低其权重和/或激活的数值精度。过度参数化的深度神经网络(DNN)有更多的自由度原创 2022-07-10 21:31:53 · 683 阅读 · 0 评论 -
【pytorch 模型量化方法总结】
后端:x86、arm移动嵌入式平台;对应参数:‘fbgemm’ 、 ‘qnnpack’命令行:torch.quantization.get_default_qconfig(‘fbgemm’)1.动态量化代码示例:适用于 Linear、LSTM、RNN等层;权重直接量化;bias和激活函数 在推理过程中动态量化;2.静态量化示例:1.静态量化需要在模型起始和结束位置定义quant和dequant接口;2.配置好后端3.融合的层声明;一般是conv+relu;或者是conv+bn+relu;3.准备量化4.原创 2022-07-10 00:10:34 · 1031 阅读 · 0 评论 -
【基于yolov5的图像识别】
任务完成人脸检测案例实践(这个是参考示例算法,请大家自行选择识别算法框架)Yolov5官网路径如下:https://github.com/ultralytics/yolov5参考第一个例子,下载安装所需库:https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data下载地址:https://github.com/ultralytics/yolov5/releasesyolov5共有四种模型:yolov5s、yolov5m、yolov5l、y原创 2022-07-10 00:04:50 · 1863 阅读 · 0 评论 -
【Python中的XOR异或符号^运用】
为什么会得到这样的结果呢?其实这里面经历了几次计算:2.^ 符号的作用是将两数字相同位置但是数值不同的值变为1,即经过^计算获得字符串‘ob1101110’3.随后将二进制的‘ob1101110’转化为十进制的值即为:110以上就是^的计算过程。可以对list中的值进行累计XOR运算,获得唯一值2.计算汉明距离(461. Hamming Distance)这道题总觉得题设描述的不太清楚,建议看一下百度关于汉明距离的解释...原创 2022-07-09 23:43:42 · 3474 阅读 · 0 评论 -
【边缘部署 AI】
最近在人工智能(AI)、边缘计算和物联网设备的采用等方面取得了长足的进步,这些都汇集在一起为边缘AI带来了机遇。这为以前无法想象的边缘AI开辟了新的机会——从帮助放射科医生识别疾病,到在高速公路上驾驶汽车,再到帮助我们为植物授粉。被无数分析师和企业谈论和实施的边缘计算,其起源可以追溯到20世纪90年代,当时创建了内容交付网络,以从部署在用户附近的边缘服务器提供Web和视频内容。今天,几乎每个企业都有可以从采用边缘AI中受益的工作职能。事实上,边缘应用正在推动下一波人工智能浪潮,以改善我们在家庭、工作、学校和原创 2022-07-09 23:29:27 · 1286 阅读 · 0 评论 -
【Atlas快速入门】
之前的公司在数据中台的项目上调研决定启用了Atlas作为我们数据血缘管理的工具,让我给大家写了一份Atlas快速入门的文档,所以在这里我将这篇文档以一个纯新手视角的方式再一次优化,希望能够帮助大家更好的快速上手使用Atlas。Atlas为组织提供了开放的元数据管理和治理功能,以建立其数据资产的目录,对这些资产进行分类和治理,并为数据科学家,分析师和数据治理团队提供围绕这些数据资产的协作功能。而如果想要对这些数据做好管理,光用文字、文档等东西是不够的,必须用图,Atlas就是把元数据变成图的工具。说明元数据原创 2022-07-09 23:21:49 · 749 阅读 · 0 评论 -
【华为Atlas人工智能计算平台概述】
人工智能的四大要素:数据、算力、算法、场景AI芯片: 也被称为AI加速器,即专门用于处理人工智能应用中的大量计算任务的功能模块。从技术架构来看,大致分为四个类型:CPU、GPU、ASIC、FPGA。之前的博客中都有提到,这里不做介绍。从业务应用来看,可以分为Training(训练)和Inference(推理)两个类型:训练环节通常需要通过大量的数据输入,或者采取增强学习等非监督学习方法,训练出复杂的深度神经网络模型,训练过程中,涉及到海量的训练数据和复杂的深度神经网络结构,运算量巨大,需要庞大的计算规模,对原创 2022-07-09 23:06:02 · 3623 阅读 · 0 评论 -
【AI芯片CAISA】
面向边缘视觉分析的数据流AI芯片CAISA是鲲云科技自主研发的专为人工智能图像提供高性能计算加速的AI芯片产品,是全球首个量产的数据流AI芯片。CAISA芯片基于自主研发的定制数据流架构,不同于传统的冯诺依曼的指令集架构,为AI计算平台提出了一种新的架构实现方式,通过数据流流动次序来控制计算顺序,打破传统芯片架构下的实测算力瓶颈。经工信部下属中国信息通信研究院AIIA第三方评测,CAISA芯片利用效率可达95.43%,并参与由中国信通院牵头编制的全球首个AI 芯片基准测试国际标准ITU-T F.748.11原创 2022-07-09 22:56:22 · 835 阅读 · 0 评论 -
【SingleShotMultiBoxDetector(SSD,单步多框目标检测)】
项目源码:•One-Stage•均匀的密集抽样•Priorboxes/Defaultboxes(Anchorboxes)•不同尺度抽样•不同scale尺度的特征图抽样•对于小目标检测效果不错•预测速度快•训练困难(正负样本极度不均衡)下图为一些网络结构的效率对比图,一般来说,map达到75%到80%就可以了其主干网络为做了一些改动的VGG net征图进行预测后,大小不变还是3838,深度变成了(4classes+4),即100,这上面的每一个11100,对应的是一个锚点的预测值。在深度上来原创 2022-06-03 23:00:15 · 3418 阅读 · 0 评论 -
【主流Nivida显卡深度学习/强化学习/AI算力汇总】
2022主流Nivida显卡深度学习/强化学习/AI算力汇总一览表总结自国外多个网站原创 2022-06-02 12:50:13 · 5682 阅读 · 0 评论 -
Pytorch模型架构
源码https://github.com/2012Netsky/Pytorch/tree/master/Code主干# coding: utf-8import torchfrom torch.utils.data import DataLoaderimport torchvision.transforms as transformsimport numpy as npimport osfrom torch.autograd import Variableimport torch.nn原创 2022-05-04 20:54:17 · 161 阅读 · 0 评论 -
【torch.nn.xxx 和 torch.nn.functional.xxx/nn.Sequential和nn.Module】
文章目录一、torch.nn.xxx 和 torch.nn.functional.xxx二、nn.Sequential三、nn.Module四、Module 和Sequential对比五、Module和Sequential总结一、torch.nn.xxx 和 torch.nn.functional.xxx在写 PyTorch 代码时,我们会发现在 torch.nn.xxx 和 torch.nn.functional.xxx 中有一些功能重复的操作,比如卷积、激活、池化。 这些操作有什么不同?各有什么用原创 2022-05-03 21:01:33 · 1113 阅读 · 0 评论 -
LUNA16数据集介绍
文章目录一、LUNA16数据集简介二、LUNA16数据集的由来三、CT影像简介四、医疗影像的mhd和dcm格式图像的读取和坐标转换一、LUNA16数据集简介LUNA16数据集包括888低剂量肺部CT影像(mhd格式)数据,每个影像包含一系列胸腔的多个轴向切片。每个影像包含的切片数量会随着扫描机器、扫描层厚和患者的不同而有差异。原始图像为三维图像。每个图像包含一系列胸腔的多个轴向切片。这个三维图像由不同数量的二维图像组成。二、LUNA16数据集的由来LUNA16数据集是最大公用肺结节数据集LIDC-原创 2022-05-03 20:09:15 · 5984 阅读 · 0 评论 -
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
文章目录前言一、TP、TN、FP、FN概念二、准确率、精确率(精准率)、召回率、F1值1.准确率(Accuracy)2.精确率(Precision)查准率3.召回率(Recall)查全率4.F1值(H-mean值)三、ROC曲线、AUC值1.ROC曲线2.AUC值总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb对于分类问题,机器预测的和实际的还是会有所偏差,所以我们引入以下几个概原创 2022-05-03 18:58:32 · 11499 阅读 · 0 评论 -
目标检测网络
文章目录一、目标检测网络简介二、one-stage1、yolo1.1 yolov11.2 yolov21.3 yolov31.4 yolov41.5 yolov52、SSD3、RetainNet二、two-stage1、R-CNN2、Fast R-CNN3、Faster R-CNN4、SPP-net总结一、目标检测网络简介大致分为两类one-stage和two-stage,主要区别是检测目标类别与bounding box回归任务是否分开进行。two-stage代表是rcnn系列(rcnn、fast-原创 2022-05-01 23:17:11 · 4253 阅读 · 0 评论 -
Pytorch搭建常见分类网络平台(VGG16、MobileNetV2、ResNet50)
文章目录源码下载分类网络的常见形式分类网络介绍1、VGG16网络介绍2、MobilenetV2网络介绍3、ResNet50网络介绍a、什么是残差网络b、什么是ResNet50模型分类网络的训练1、LOSS介绍2、利用分类网络进行训练a、数据集的准备b、数据集的处理c、开始网络训练总结源码下载https://github.com/bubbliiiing/classification-pytorch分类网络的常见形式常见的分类网络都可以分为两部分,一部分是特征提取部分,另一部分是分类部分。特征提取原创 2022-05-01 16:04:14 · 1305 阅读 · 0 评论 -
Pytorch 搭建自己的Unet语义分割平台
文章目录前言Unet实现思路一、预测部分1、主干网络介绍2、加强特征提取结构3、利用特征获得预测结果二、训练部分1、训练文件详解2、LOSS解析训练自己的Unet模型一、数据集的准备二、数据集的处理三、开始网络训练四、训练结果预测前言Unet是一个优秀的语义分割模型,其主要执行过程与其它语义分割模型类似。Unet可以分为三个部分,如下图所示:第一部分是主干特征提取部分,我们可以利用主干部分获得一个又一个的特征层,Unet的主干特征提取部分与VGG相似,为卷积和最大池化的堆叠。利用主干特征提取部分我原创 2022-05-01 14:02:17 · 2528 阅读 · 1 评论 -
语义分割评价指标mIOU
文章目录前言1、计算混淆矩阵:2、计算IOU:3、计算mIOU:总结前言mIOU,Mean Intersection over Union(MIoU,均交并比):其是语义分割的标准度量。在了解mIOU之前,首先先了解一下IOU是什么,IOU的英文全称为Intersection over Union,中文简称为交并比,也就是交和并的比值。在语义分割的问题中,单类的交并比就是该类的真实标签和预测值的交和并的比值。示意图如下:在图中,A为真实标签,占据了图像的一定区域;B为预测结果,占据了图像的一定原创 2022-05-01 13:34:14 · 3937 阅读 · 0 评论 -
超轻量目标检测模型NanoDet(速度很快)PyTorch版本实践
文章目录前言NanoDet 模型介绍1)NanoDet 模型性能2)NanoDet 模型架构3)NanoDet损失函数4)NanoDet 优势基于PyTorch 实现NanoDet1)NanoDet目标检测效果2)环境参数3)体验NanoDet目标检测下载代码,打开工程4)调用模型的核心代码前言YOLO、Fast R-CNN等模型在目标检测方面速度较快和精度较高,但是这些模型比较大,不太适合移植到移动端或嵌入式设备;轻量级模型 NanoDet-m,对单阶段检测模型三大模块(Head、Neck、Back原创 2022-04-30 17:07:29 · 2161 阅读 · 0 评论 -
Keras搭建Mask R-CNN实例分割平台
文章目录什么是Mask R-CNN源码下载Mask R-CNN实现思路一、预测部分1、主干网络介绍2、特征金字塔FPN的构建3、获得Proposal建议框什么是Mask R-CNNMask R-CNN是He Kaiming大神2017年的力作,其在进行目标检测的同时进行实例分割,取得了出色的效果。其网络的设计也比较简单,在Faster R-CNN基础上,在原本的两个分支上(分类+坐标回归)增加了一个分支进行语义分割,源码下载https://github.com/bubbliiiing/mask原创 2022-04-30 13:05:14 · 1136 阅读 · 0 评论 -
【OSI七层网络模型】
文章目录前言一、通信一、OSI七层网络模型简介1、OSI的前世今生2、OSI七层模型的划分3、OSI的分层设计思想二、各司其职物理层数据链路网络层传输层会话层表示层应用层三、数据封装与解封装3.1、数据封装过程3.2、数据解封装过程四、TCP/IP协议总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、通信mqtt:一种通信协议,类似人类交谈中的汉语、英语、俄语中的一种语言规原创 2022-04-25 22:40:11 · 150 阅读 · 0 评论 -
【yoloV3 yoloV4】
文章目录前言一、yoloV3二、yoloV4总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、yoloV3from collections import OrderedDictimport torchimport torch.nn as nnfrom nets.darknet import darknet53def conv2d(filter_in, filte原创 2022-04-25 21:04:31 · 363 阅读 · 0 评论 -
【MobileNetV1 MobileNetV2 MobileNetV3】
文章目录前言一、 MobileNetV1二、 MobileNetV2三、 MobileNetV3总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、 MobileNetV1原创 2022-04-25 20:59:33 · 1126 阅读 · 0 评论 -
PyTorch VS TensorFlow:细数两者的不同之处
文章目录起源区别 #0 —— 应用区别 #1——动态及静态图形定义区别 #2—— 调试区别 #3——可视化区别 #4——部署区别 #5—— 数据并行区别 #6——一个更像框架,一个更像库总结在今年 5 月初召开的 Facebook F8 开发者大会上,Facebook 宣布将推出旗下机器学习开发框架 PyTorch 的新一代版本 PyTorch 1.0。据 Facebook 介绍,PyTorch 1.0 结合了 Caffe2 和 ONNX 模块化、面向生产的特性,和 PyTorch 自身灵活、面向研究的原创 2022-04-24 22:42:12 · 1932 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第十六课_nn.model】
文章目录前言总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb#!/usr/bin/env python# coding: utf-8# In[1]:get_ipython().run_line_magic('matplotlib', 'inline')import numpy as npimport torchimport torch.optim as opti原创 2022-04-12 20:21:06 · 809 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第十五课_激活函数】
文章目录前言总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb#!/usr/bin/env python# coding: utf-8# In[1]:get_ipython().run_line_magic('matplotlib', 'inline')import numpy as npimport matplotlib.pyplot as pltimport原创 2022-04-12 20:17:50 · 738 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第十四课_神经网络】
文章目录前言一、tensor打印配置二、读取txt三、 permute矩阵的块行列进行交换四、预先分配张量 然后读取图像填充张量五、显示数据及图像六、正则化数据 方法一七、正则化数据 方法二总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、tensor打印配置#!/usr/bin/env python# coding: utf-8# In[1]:get_ipyth原创 2022-04-12 20:14:30 · 469 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第十三课_优化器】
文章目录前言一、优化器种类二、使用梯度下降优化器 传入参数 传入初始学习率三、更新参数四、优化器梯度清零总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、优化器种类二、使用梯度下降优化器 传入参数 传入初始学习率三、更新参数四、优化器梯度清零#!/usr/bin/env python# coding: utf-8get_ipython().run_line_mag原创 2022-04-12 19:32:55 · 1361 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第十二课_自动梯度】
文章目录前言一、requires_grad=True自动梯度二、计算损失前为none三、 计算损失后不为none四、梯度清零五、不计算梯度 更新参数总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、requires_grad=True自动梯度二、计算损失前为none三、 计算损失后不为none四、梯度清零五、不计算梯度 更新参数#!/usr/bin/env pytho原创 2022-04-12 19:27:32 · 835 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第十一课_学习机制及训练基本架构】
文章目录前言一、pytorch广播机制二、沿着梯度下降 求b偏导三、基本训练流程(python基本函数实现)四、基本训练流程(pytorch基本函数实现)五、反向传播六、参数更新总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、pytorch广播机制二、沿着梯度下降 求b偏导三、基本训练流程(python基本函数实现)四、基本训练流程(pytorch基本函数实现)五、反原创 2022-04-12 19:21:16 · 993 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第十课_tensor_# 时间序列数据操作_4】
文章目录前言一、tensor打印配置二、读取txt三、 重构维度四、提取相关数据五、独热编码六、组合与拆分tensor七、正则化数据总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb一、tensor打印配置#!/usr/bin/env python# coding: utf-8import numpy as npimport torchtorch.set_printopt原创 2022-04-10 18:02:28 · 796 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第九课_tensor_表格数据操作_3】
文章目录前言一、tensor打印配置二、numpy读取csv三、python内库读取csv四、numpy->tensor五、连续值 序数值 分类值六、tensor切分及类型转换七、独热编码八、规约(归一化)九、寻找阈值总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/3_tabular_wine.ipynb一、tensor打印配置#!/usr/bin/env python# coding: utf-8import nu原创 2022-04-10 17:45:54 · 1120 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第八课_tensor_医疗图像操作_2】
文章目录前言一、tensor打印配置二、读取dcm图像至numpy三、dcm(numpy)图像转tensor四、dcm数据查看总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/2_volumetric_ct.ipynb一、tensor打印配置#!/usr/bin/env python# coding: utf-8import numpy as npimport torchtorch.set_printoptions(e原创 2022-04-10 16:37:45 · 824 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第七课_tensor_图像操作_1】
文章目录前言一、tensor打印配置二、读取图像三、 permute矩阵的块行列进行交换四、预先分配张量 然后读取图像填充张量五、显示数据及图像六、正则化数据 方法一七、正则化数据 方法二总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/1_image_dog.ipynb一、tensor打印配置#!/usr/bin/env python# coding: utf-8import numpy as npimport torc原创 2022-04-10 16:28:29 · 2568 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第六课_tensor_图像数据操作】
文章目录前言一、创建特定tensor二、计算tensor均值三、tensor维度编辑及tensor乘法四、tensor维度合并五、添加名称 又不改变现有名称六、自动维度对其功能 返回张量 补全缺失的维度七、接受维度参数函数 按照指定维度拿出tensor八、使用不同名称组合维度前言案例代码:github:https://github.com/2012Netsky/pytorch_cnn/blob/main/2_named_tensors.ipynb一、创建特定tensor#!/usr/bin/env原创 2022-04-09 22:59:30 · 567 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第五课_tensor基本操作】
文章目录前言一、创建列表二、创建tensor三、numpy/tensor互转四、创建修改tensor五、查看tensor属性六、tensor切片七、tensor结构分析八、tensor维度查询九、tensor编辑十、克隆tensor十一、tensor转置十二、tensor维度转化十三、tensor连续性判断及连续化十四、tensor连续性判断及连续化十五、tensor元素数据类型设定十六、tensor元素数据类型转换十七、tensor/list切片十八、tensor/numpy转换十九、tensor t格式原创 2022-04-09 22:36:07 · 1156 阅读 · 0 评论 -
pytorch搭建卷积神经网络【第四课_自己搭建基于mnist训练网络】
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言提示:这里可以添加本文要记录的大概内容:例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考一、pandas是什么?示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代.原创 2022-04-08 11:57:26 · 765 阅读 · 0 评论 -
深度学习的宏观框架——训练(training)和推理(inference)及其应用场景
文章目录前言一、训练(Training)二、推理(Inference)二、部署(deployment)二、应用场景总结前言例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。一、训练(Training)打个比方,你现在想要训练一个能区分苹果还是橘子的模型,你需要搜索一些苹果和橘子的图片,这些图片放在一起称为训练数据集(training dataset),训练数据集是有标签的,苹果图片的标签就是苹果,橘子亦然。一个初始神经网络通过转载 2022-04-04 15:27:37 · 2802 阅读 · 0 评论