神经网络结构解读
文章平均质量分 86
包括各种网络结构和代码
寻找永不遗憾
这个作者很懒,什么都没留下…
展开
-
【EfficientNet Mydataset】EfficientNet训练自定义分类数据集
文章目录1 分类数据集准备2 获取训练与验证图片路径及标签3 Dataset类与DataLoader类的理解3.1 Dataset类3.2 DataLoader类3.3 Dataset与DataLoader综合使用简单示例4 Efficientnet介绍5 训练总体流程6 推理一张图片7 所有内容下载8 感谢链接1 分类数据集准备期待的分类数据集样式如下,注意,验证集需要知道图片类别。data├── train│ ├── class_name_1│ │ ├── 1.jpg│ │原创 2022-04-30 21:27:45 · 1530 阅读 · 6 评论 -
【EfficientNet】EfficientNet网络结构及代码详解
文章目录1 从三个问题出发2感谢链接1 从三个问题出发对于一个网络,输入图像分辨越高越好?设计网络时,越深越好?设计网络时,越宽越好?回答: 总体而言,是的。图像分辨率越高,网络能得到 潜在的 更高细粒度的特征channel。但有瓶颈,且会增加计算量,分辨率太高,得不偿失。网络越深,学习到的特征越丰富、复杂。但太深容易造成梯度消失,导致训练困难。网络越宽,网络能得到更高粒度的特征,且容易训练。但光宽不深的话,学习不到深层次的特征,且要综合衡量计算量的问题。EfficientNet闪原创 2022-04-29 11:07:33 · 22271 阅读 · 7 评论 -
【迁移训练】Imagenet上的模型预训练权重用到CIFAR10上
原创 2022-04-26 15:29:10 · 3669 阅读 · 0 评论 -
【MobileNetV3】MobileNetV3网络结构详解
文章目录1 MobileNetV3创新点2 block变成了什么样2.1 总体介绍2.2 SE模块理解2.3 ReLu6和hardswish激活函数理解3 网络总体结构4 代码解读5 感谢链接在看本文前,强烈建议先看一下之前写的MobilenetV2。1 MobileNetV3创新点bottleneck结构变了让网络更宽、更深,宽多少?深多少?采用NAS(Neural Architecture Search)搜索得到重新设计耗时层结构(针对NAS搜索的结构进行设计,咱可以不管)2 block原创 2022-04-26 09:24:37 · 29763 阅读 · 1 评论 -
【DeeplabV3+】DeeplabV3+网络结构详解
文章目录1 常规卷积与空洞卷积的对比1.1 空洞卷积简介1.2 空洞卷积的优点2 DeeplabV3+模型简介3 DeeplabV3+网络代码4 mobilenetv2网络代码5 感谢链接聊DeeplabV3+网络前,先看空洞卷积。1 常规卷积与空洞卷积的对比1.1 空洞卷积简介空洞卷积(Dilated convolution)如下图所示,其中 r 表示两列之间的距离(r=1就是常规卷积了)。池化可以扩大感受野,降低数据维度,减少计算量,但是会损失信息,对于语义分割来说,这造成了发展瓶颈。空洞原创 2022-04-11 20:22:55 · 26039 阅读 · 8 评论 -
【YOLOv3 net】YOLOv3网络结构及代码详解
文章目录1 总体介绍2 YOLOv3主干网络3 FPN特征融合4 利用Yolo Head获得预测结果5 不同尺度的先验框anchor box5.1 理论介绍5.2 代码读取6 YOLOv3整体网络结构代码理解7 感谢链接1 总体介绍YOLOv3网络主要包括两部分,一个是主干网络(backbone)部分,一个是使用特征金字塔(FPN)融合、加强特征提取并利用卷积进行预测部分。yolov3网络总体框图如下:2 YOLOv3主干网络以采用darknet53网络为例,详解见YOLOv3 backbone原创 2022-04-10 16:48:41 · 12001 阅读 · 1 评论 -
【MobileNetV2 FLOPs】MobileNetV2网络结构详解并获取网络计算量与参数量
文章目录1 MobileNetV2简介2 一种常规MobileNetv2结构3 MobilenetV2代码4 感谢链接1 MobileNetV2简介MobileNetV2是一个轻量型卷积神经网络,使用深度可分离卷积。如下图表示其中一个block的结构,主要包括Expansion layer,Depthwise Convolution,Projection layer。Expansion layer表示扩展层,使用1x1卷积,目的是将低维空间映射到高维空间。Projection layer表示投影层原创 2022-04-10 15:25:10 · 12748 阅读 · 4 评论 -
【Darknet-53】YOLOv3 backbone Darknet-53 详解
文章目录1 模型计算量与参数量2 Darknet-53网络3 感谢链接1 模型计算量与参数量模型计算量与参数量的计算方式主要有两种,一种是使用thop库,一种是使用torchsummaryX。使用pip install thop安装thop库使用pip install torchsummaryX安装torchsummaryX库2 Darknet-53网络可直接运行下方代码,结合注释和结果理解本例中darknet53主要用于yolov3中的主干网络import mathfrom col原创 2022-04-10 15:15:02 · 4642 阅读 · 3 评论