weixin_43244470的博客

常见的轻量级网络：SqueezeNet、Xception、shuffleNet V1-V2、和以下MobileNet V1-V3。MobileNet V1：2017年提出，专注于移动端和嵌入式设备中的轻量级CNN。特点：提出深度可分离卷积、RELU6适用于嵌入式设备MobileNet V2：2018年提出，引入Inverted Residuals倒残差模型先扩张后压缩和Linear Bottlenecks。MobileNet V3：2019年提出，进一步较少延时特点：h-switch激活函数、SE

1、有监督无监督半监督区别：一个有标签一个无标签，部分标签是半监督学习，无监督模型包括所有的聚类算法。// A code blockimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torch.autograd import Variableclass name(nn.Module); def __init__(self, A,B,C) super(name, self

摘要：我们提出了卷积块注意模块(CBAM)，这是一个简单而有效的用于前馈卷积神经网络的注意模块。在给定中间特征图的情况下，我们的模块沿着两个独立的维度(通道和空间)依次推断注意图，然后将注意图乘到输入特征图进行自适应特征细化。因为CBAM是一个轻量级的通用模块，它可以无缝地集成到任何CNN架构中，开销可以忽略不计，并且可以与基本CNNs一起进行端到端培训。Introduction卷积神经网络(Convolutional neural networks, CNNs)凭借其丰富的表示能力，显著提升了视觉任务

1、深度可分离卷积正常卷积：它的卷积核是针对图片的所有通道设计的（通道的总数就是depth）。那么，每要求增加检测图片的一个属性，卷积核就要增加一个。所以正常卷积，卷积参数的总数=属性的总数x卷积核的大小。深度可分离卷积：针对每个通道分别卷积输出三个属性，再通过11depth的卷积核合并。比较：仅仅是提取一个属性，深度可分离卷积的方法，不如正常卷积。随着要提取的属性越来越多，深度可分离卷积就能够节省更多的参数。参考：链接: link....

1、 基本模型结构，预测一个序列，输入：多个时间步，输出：单个时间步输入1,2,3 标签4输入2,3,4 标签5输入3,4,5 预测标签6以此类推，时间窗口为3，通常输入形式：（窗口大小3，每个窗口序列个数，此处为1）2、 多序列输入，单序列输出输入[[1,2,3],[2,4,5],[3,6,7]] 标签100输入[[2,4,5],[3,6,7],[4,8,9]] 标签1...

1、BrokenPipeError: [Errno 32] Broken pipe该问题的产生是由于windows下多线程的问题，和DataLoader类有关。通过修改***num_works参数为 0*** ，只启用一个主进程加载数据集，避免在windows使用多线程即可。...

***1、Variable：***一种存放tensor变量的方式，pytorch中tensor只能放在CPU上运算，而(variable)变量是可以只用GPU进行加速计算的。from torch.autograd import Variablex = Variable(tensor, requires_grad = True)Varibale包含三个属性：data：存储了Tensor，是本...

// 将labels转为one-hot形式，np.eye为创建对角线为1的数组def get_one_hot(targets, nb_classes): return np.eye(nb_classes, dtype=np.float32)[np.array(targets).reshape(-1)]

1、导数、偏导数、方向导数、梯度的概念**导数：**导数反映的是函数y=f(x)在某一点处沿x轴正方向的变化率。**偏导数：**在多元函数中，偏导数指的是函数y(x1,x2,…,xn)沿某一坐标轴(x1,x2,…,xn)正方向的变化率。**方向导数：**导数和偏导数都是沿坐标轴正方向的变化率。那么当我们讨论函数沿任意方向的变化率时，也就引出了方向导数的定义，即：某一点在某一趋近方向上的导数值...