深度学习
文章平均质量分 97
本专栏旨在复现GitHub上的一些代码以方便需要复现相同代码的同志。
东荷新绿
东池始有荷新绿,尚小如钱。
展开
-
你的轻量化设计能有效提高模型的推理速度吗?
轻量化网络是指在保持较高性能的同时大大减少模型参数和计算量的神经网络模型。轻量化网络的出现是为了解决在移动设备和嵌入式系统等资源受限的环境中部署深度学习模型时所面临的挑战。传统的深度学习模型通常包含大量的参数和复杂的计算结构,这使得它们在移动设备上运行时需要消耗大量的内存和计算资源。而轻量化网络通过精心设计结构和参数,可以在移动端实现更加高效的部署,从而适应移动设备上的应用需求。因此轻量化网络的研究和发展是深度学习领域的一个重要方向,涉及网络结构设计、模型压缩、量化技术、剪枝等多个方面。原创 2023-12-07 15:08:27 · 1015 阅读 · 0 评论 -
正则化与正则剪枝
正则化是一种在机器学习中用于控制模型复杂度的技术,它通过在损失函数中添加一个额外项来对参数进行约束,从而避免过拟合。其中,L1正则化通过对参数的绝对值求和来实现,能够产生稀疏权重;L2正则化通过对参数的平方和求根号来实现,能够产生较为平滑的权重;实际上可以结合两者来共同约束参数。在实际应用中,正则化可以帮助模型更好地泛化数据,提高模型的鲁棒性和可靠性。同时,正则化也需要根据具体问题进行调整,不同的正则化方法和系数可能会产生不同的效果。原创 2023-11-26 21:58:01 · 1188 阅读 · 0 评论 -
MobileNets发展与总结
MobileNet是一种轻量级的深度卷积神经网络(CNN),旨在在计算资源有限的移动设备上实现高效的图像分类和目标检测。MobileNet的设计出发点是通过减少模型参数和计算量来提高模型的速度和效率,同时尽可能保持模型的准确性。MobileNet首先引入了深度可分离卷积(Depthwise Separable Convolution)结构。随后MobileNet后续由一系列的Inverted Residual Blocks组成。原创 2023-11-25 14:15:07 · 952 阅读 · 0 评论 -
从头到尾的一次模型搭建训练测试流程
本博客仅为学习记录之用,目的在于后续若需要相关的有资可查。在言语上恐有诸多纰漏,如有错误,欢迎指出交流学习!本博客所包含的大致内容:一个简单的模型搭建流程,包括:数据加载、模型结构、训练网络、指标计算及绘图、README.md撰写等等。相关涉及内容:解析命令行的简单使用;记录日志;混淆矩阵;ROC曲线等。原创 2022-08-10 15:09:33 · 475 阅读 · 0 评论 -
构建高效、精准的人脸识别系统——RetinaFace、FaceNet和MySQL基础上的实践与总结
本文讨论的人脸识别方法主要分为三个部分,其中第一个部分是检测网络RetinaFace,用于检测人脸;第二个部分是Facenet,用于生成身份识别所需的特征,第三部分是基于Mysql的人脸特征存储与识别。该方法具有精度较高、鲁棒性强、实时性好、数据库管理方便的特点。本文将从基础准备、人脸检测、人脸处理、身份识别、以及数据库等方面进行说明,内容有点长,请耐心看完。原创 2023-05-15 20:17:30 · 531 阅读 · 0 评论 -
【Mmediting的使用踩坑记录】
足下潇洒美少年,举觞白眼望青天,皎如玉树临风前。Mmediting是一个由开发者大力维护的开源深度学习库,它致力于提供高效和先进的图像和视频编辑工具。基于PyTorch实现,Mmediting依赖于许多常见的深度学习库,例如CUDA和CUDNN,以实现高性能的图像和视频处理。它提供了强大的超分辨率、去噪、修复、颜色转换、图像合成、视觉效果等功能,可以帮助用户在不同的应用场景下完成各种图像和视频处理任务。原创 2023-05-01 20:50:49 · 233 阅读 · 0 评论 -
【基于BasicSR的GCFSR复现踩坑】
超分辨率是指将低分辨率图像通过算法提升其分辨率,使其看起来更加清晰、细腻。在计算机视觉领域,超分辨率技术应用广泛,包括图像处理、视频压缩、安防监控等。为了进行超分辨率项目开发,需要配置相应的环境。一般来说,超分辨率算法需要依赖于深度学习框架和图像处理库等多个组件。GCFSR是一种无需GAN先验的生成式超分辨率方法,旨在提高人脸图像的分辨率。该方法采用了Encoder-Generator架构,并设计了样式调制模块和特征调制模块。原创 2023-03-21 10:46:12 · 1629 阅读 · 54 评论