- 博客(18)
- 收藏
- 关注
RSS订阅原创 第J8周：Inception v1算法实战与解析
二是将中间某一层输出用作分类，起到模型融合作用，实际测试时，这两个辅助softmax分支会被去掉，在后续模型的发展中，该方法被采用较少，可以直接绕过，重点学习卷积层的并行结构与1x1卷积核部分的内容即可。最后Inception Module基本由11卷积，33卷积，55卷积，33最大池化四个基本单元组成，对四个基本单元运算结果进行通道上组合，不同大小的卷积核赋予不同大小的感受野，从而提取到图像不同尺度的信息，进行融合，得到图像更好的表征， 就是Inception Module的核心思想。
2024-03-22 21:24:08
631
1
原创 CNN(七)：ResNeXt-50算法的思考
（1）1个block(conv_shortcut=True)：conv_shortcut=True，结合代码可知，在进行Add操作时，是将进行了Conv+BN操作的特征图（filters=2*128），与后续[（Conv+BN+ReLU）+ 分组卷积 + (Conv+BN) ]的一系列操作后得出的特征图（filters=2*128）进行Add操作，此时Add的两部分的通道数均是2*128，即256，之后再进行ReLU操作；下面以filters=128,blocks=2的入参来说明原因。
2024-03-08 22:48:36
319
1
原创 第J6周：ResNeXt-50实战解析
else:else:return x''' 调用并将模型转移到GPU中（我们模型运行均在GPU中进行） '''''' 显示网络结构 '''
2024-03-01 22:19:19
933
1
原创 第J5周：DenseNet+SE-Net实战
普通的卷积实际上是对局部区域进行的特征融合，因此其感受野不大，若设计出更多的通道特征来增加这个，不可避免的将导致计算量大大的增加。而SENet网络的创新点在于关注channel之间的关系，希望模型可以自动学习到不同channel特征的重要程度。简而言之，在每个channel上将整个特征图浓缩成一个值，即在Squeeze步骤中通过averagepooling的操作计算每个通道的特征，此时每个通道只有一个特征，即size为c；
2024-02-23 21:23:14
688
原创 第J4周：ResNet与DenseNet结合--DPN
前面实现了ResNet和DenseNet的算法，了解了它们有各自的特点：ResNet：通过建立前面层与后面层之间的“短路连接”（shortcu），其特征则直接进行sum操作，因此channel数不变；DenseNet：通过建立的是前面所有层与后面层的紧密连接（dense connection），其特征在channel维度上的直接concat来实现特征重用（feature reuse），因此channel数增加；
2024-02-02 21:56:16
1579
原创 经典CNN算法解析实战-第J2周：ResNet50V2算法实战与解析
**(a)original表示原始的ResNet的残差结构，(b)proposed表示新的ResNet的残差结构。为了简化插图，我们不显示BN层，这里所有的单位均采用权值层之后的BN层。图中(a-f)都是作者对残差结构的shortcut部分进行的不同尝试，作者对不同shortcut结构的尝试结果如下表所示。作者使用这两种不同的结构再CIFAR-10数据集上做测试，模型用的是1001层的ResNet模型。最好的结果是(e)full pre-activation，其次是(a)original。
2024-01-05 21:39:06
799
原创 第J1周：ResNet-50算法实战与解析
ResNet已经被广泛运用于各种特征提取应用中，当深度学习网络层数越深时，理论上表达能力会更强，但是CNN网络达到一定的深度后，再加深，分类性能不会提高，而是会导致网络收敛更缓慢，准确率也随着降低，即使把数据集增大，解决过拟合的问题，分类性能和准确度也不会提高。Kaiming大神等人发现残差网络能够解决这一问题。这里首先放上一张ResNet的各种网络结构图:29 残差网络 ResNet【动手学深度学习v2】_哔哩哔哩_bilibili1.模型精度不高，首先可能是训练轮次不够。
2023-12-22 21:56:19
1028
原创 第P9周：YOLOv5-Backbone模块实现
BN层的输入为一个batch的特征图，它将每个通道上的特征进行均值和方差的计算，并对每个通道上的特征进行标准化处理。C3模块是由三个Conv块构成的，其中第一个Conv块的步幅为2，可以将特征图的尺寸减半，第二个Conv块和第三个Conv块的步幅为1。骨干网络是指用来提取图像特征的网络，它的主要作用是将原始的输入图像转化为多层特征图，以便后续的目标检测任务使用。C3模块是YOLOv5网络中的一个重要组成部分，其主要作用是增加网络的深度和感受野，提高特征提取的能力。下面对这些组成部分进行详细解析。
2023-12-15 11:47:18
889
原创 365天深度学习训练营-第P8周：YOLOv5-C3模块实现
1.这个YOLOv5模型结构比之前学的模型都要难，目前看了几篇博客，也只能算是刚刚了解，还得继续看2.对比第三周构建简单的CNN来做天气预测，用YOLOv5做训练，accuracy上去了一些，但是并没有说达到95%以上这种精度，并且计算还很大，batch_size由设定的32改成了4才跑起来的，所以就这个问题而言，用YOLOv5，计算千万计的参数，但是得到的效果没有显著提升，所以模型的适用性到底怎么界定？
2023-12-05 10:18:04
2204
原创 365天深度学习训练营-第P7周：咖啡豆识别
1.去研究了一下VGG-16这个模型，进而有点好奇VGG-19的效果怎么样2.关于轻量化模型，在block4，block5中讲卷积核换成1*1，减少输入通道数？
2023-11-30 20:31:18
1686
原创 第六周--P6周：好莱坞演员识别
1.本次课题离目标（准确率达到60%）相差甚远，尽管我在训练的轮次中做了很大的改变，都依然没有办法提升模型的精度。2.初步分析我认为有以下几点导致模型精度没办法提升：a.此次分类个数较多，有17个，而每个分类的原始数据又不够多b.图片未像p4课题中的图片一样提前做了图像增强c.我们训练的是时候将官方的VGG-16预训练模型的大部分参数（主要是特征提取部分的网络参数）进行了冻结，这部分参数无法随着我们的训练过程进行更新。
2023-11-22 10:48:47
33
原创 第五周--P5周：运动鞋识别
- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/Nb93582M_5usednAKp_Jtw) 中的学习记录博客**>- **🍦 参考文章：[Pytorch实战 | 第P5周：运动鞋识别](https://www.heywhale.com/mw/project/6352467ca42e79f98f6bbf13)**>- **🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/)**
2023-11-10 22:23:50
56
1
原创 第四周-P4猴痘识别
- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/Nb93582M_5usednAKp_Jtw) 中的学习记录博客**>- **🍦 参考文章：[Pytorch实战 | 第P4周：猴痘病识别](https://www.heywhale.com/mw/project/6347b0065565973b87564268)**>- **🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/)**
2023-11-03 17:19:55
62
原创 第三周---P3天气识别
本文为内部限免文章参考本文所写记录性文章，请在文章开头注明以下内容，复制粘贴即可本文章通过构建简单的cnn模型，实现天气识别分类问题。
2023-10-27 15:55:40
46
1
原创 第二周--第P2周：彩色图片识别
本文为内部限免文章参考本文所写记录性文章，请在文章开头注明以下内容，复制粘贴即可该篇文章通过构建简单的cnn模型，实现彩色图片的多分类问题。
2023-10-20 22:01:32
61
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人