- 博客(5)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 有关resnet相关部分学习
但是当该轮学习效果并不是很好时，令f(x)=0即可，即该轮的学习效果并不进行累加。但是由于是相加的缘故，两者的张量大小必须相同。resnet网络中含有很多的的图1结构成为resnet block。BatchNorm2d进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定。在图像处理方面，常用的是采取卷积核为3，padding为1的两个卷积层处理，这样可以不改变张量形状。resnet引入了残差网络，解决了模型层数增加时出现梯度消失或梯度爆炸的问题。二、resnet结构。
2024-03-06 16:31:28
323
1
原创 google colab的相关操作
（1）进入kaggle点击account，点击new api token,下载相应的json文件，文件中包含个人用户名以及相应的密钥。深度学习goog colab提供了强大的处理器和简单的运行环境，对于Google colab一些上传数据集的方法进行整理。（4）创建一个文件夹来保存kaggle的用户名以及密钥。（3）再从本地导入kaggle的json文件。（2）在colab中进行解压缩：路径可以直接单击查看。（1）在谷歌云中进行数据集压缩包的上传。（2） 安装kaggle库。（5）复制文件路径到此。
2024-03-05 22:37:39
557
原创 MOT学习笔记
卡尔曼滤波：观测值和估计值（模型预测）的选择，在进行目标追踪的过程中，bbox就是观测值但并不是完全准确的，所以需要根据权重斤进行综合利用，输出更加准确的结果。卡尔曼滤波就是将估计值与例如yolo的观测值进行结合输出，以获得最佳。利用状态转移方程进行预测，得到预测值（先验估计），实际传感器或模型中返回y得到观测值，用观测值进行修正即分别赋予不同的权重结合二者进行实际值的输出（后验估计）。之前卡尔曼算法只是针对多目标进行了预测，现在需要将框与记录的轨迹进行匹配。上述中 方差可以进行不确定性的表示。
2024-02-26 21:58:16
351
原创 深度学习笔记
在深度学习中，前向传播（Forward Propagation）和反向传播（Backward Propagation）是神经网络训练的两个关键步骤。前向传播是指通过神经网络将输入数据从输入层传递到输出层的过程。在前向传播过程中，输入数据通过一系列的权重和激活函数的计算，逐层传递至输出层，最终得到网络的预测结果。反向传播是指根据预测结果与真实标签之间的差异，从输出层反向计算梯度，并将梯度传递回网络的每一层，以便更新网络的权重和偏置。前向传播和反向传播的区别在于方向和目的。
2023-09-20 22:41:42
39
1
原创 2021-09-18
分享Pr. Ps下载链接hi，这是我用百度网盘分享的内容~复制这段内容打开「百度网盘」APP即可获取 链接:https://pan.baidu.com/s/1vw8RufrUT_VPvJKPvAGaYA 提取码:983e点进去下载好之后，直接解压下载，没有任何密码。...
2021-09-18 22:42:23
310
空空如也
yolo训练过程中有关KeyError: 'anchors'的报错
2023-10-12
无法导入自己建包中的模块
2021-08-24
TA创建的收藏夹 TA关注的收藏夹
TA关注的人