- 博客(68)
- 收藏
- 关注
原创 045、seq2seq
基于RNN实现,通过RNN生成器不断获取输入,更新隐藏状态,将最后生成的隐藏状态传递给解码器,然后自循环迭代直到输出停止。
2024-04-23 16:43:40
242
原创 044、门控
关注一个序列,不是每个观察都同等重要,传统RNN会一直在Whh中隐含所有以前的信息,包括了很多不必要的信息。门控神经网络就是设计一定的控制单元,使得模型只关注相关需要的,忘记不相关的。
2023-12-26 15:43:49
118
原创 042、序列模型
很多连续的数据都是有前后的时间相关性的,并不是每一个单独的数据是随机出现的。在时序中会蕴含一些空间结构的变化信息、先验因素、趋势与常理。而且序列数据在日常生活中是相当多的。
2023-12-25 09:30:09
52
原创 040、全卷积
全卷积网络先使用卷积神经网络抽取图像特征,然后通过1×1卷积层将通道数变换为类别个数,最后通过转置卷积层将特征图的高和宽变换为输入图像的尺寸。 也就是一个类别通道预测一张类别掩膜图,因此,模型输出与输入图像的高和宽相同,且最终输出通道包含了该空间位置像素的类别预测。 主要是依靠从resnet18的卷积层提取特征,然后将最后的全连接层和全局卷积层换成全卷积层,依靠转置卷积来拟合最后的掩膜图。详情见教材。
2023-12-24 15:19:35
76
原创 039、转置卷积
通常来说,卷积不会增大输入的高宽,通常要么不变,要么减半;如果想要直接padding来增加高宽,在不断的卷积过程中,padding的0越来越多,最后要做像素级的判断时候,由于有效图像变得太小,将难以进行分割。所以引入转置卷积来增大输入的高宽。
2023-12-24 10:35:45
132
原创 朝花夕拾~致基地
认真生活的人总觉人生太短,人事物,短而致密。偏偏短短的路上,总有些十字路口,大大小小。在行进时,是时时有人退伍,有人落荒,有人颓唐,有人叛变的,然而只要无碍于进行,则越到后来,队伍也就越成为纯粹。希望自己能够一直在队伍里,风筝一样,从基地出发,迎接风,也不论雨,要是遇上雷,有个基地歇一歇,甚好。熙来只求淌过江湖,沾染上的不只是人情世故。望有机会将我日不落的努力放置于此,月不缺的挂念慢慢来寻。铃声响起,我会常在。敬天之造化,敬地之蕴养,敬来路的人,敬归途的风,敬正在经历的每一刻,敬我挚爱的生命。
2023-12-06 16:07:02
63
原创 朝花夕拾~致我们
希望以后的每一天都能保持弹性,有适当的压力摒除一些懒散,有平稳的心态排除一些极端,有合理的规划但绝不按部就班,有正常的欲望来着色一朝一夕。无人问津也好,技不如人也罢,我都要试着安静下来,去做自己该做的事,而不是任由内心积攒莫名的烦躁,坏掉我本来就不多的热情和定力。敬天之造化,敬地之蕴养,敬来路的人,敬归途的风,敬正在经历的每一刻,敬我挚爱的生命。三年前看万物新奇,两载前做万事顾虑,一春秋尽己所能及,现如今种豆待花开。
2023-12-06 15:59:46
80
原创 005、简单页面-容器组件
布局容器组件。一个丰富的页面需要很多组件组成,那么,我们如何才能让这些组件有条不紊地在页面上布局呢?这就需要借助容器组件来实现。容器组件是一种比较特殊的组件,它可以包含其他的组件,而且按照一定的规律布局,帮助开发者生成精美的页面。容器组件除了放置基础组件外,也可以放置容器组件,通过多层布局的嵌套,可以布局出更丰富的页面。
2023-12-02 23:11:02
248
原创 004、简单页面-基础组件
设置文本的字体粗细,number类型取值[100, 900],取值间隔为100,默认为400,取值越大,字体越粗。string类型仅支持number类型取值的字符串形式,例如“400”,以及“bold”、“bolder”、“lighter”、“regular”、“medium”,分别对应FontWeight中相应的枚举值。使用多个字体,使用“,”进行分割,优先级按顺序生效。LoadingProgress组件用于显示加载进展,比如应用的登录界面,当我们点击登录的时候,显示的“正在登录”的进度条状态。
2023-12-02 20:56:27
227
原创 工具01、copilot+pycharm
copilot是github推出的AI程序员,将chatgpt搬到了私人终端且无token限制,下面是使用方法。
2023-11-26 13:52:24
425
原创 001、First_blood-Hello World
IDE开发准备:安装、环境、基础界面。创建运行helloworld。本地模拟器使用。运行Hello World-华为开发者学堂 (huawei.com)
2023-11-24 19:42:03
92
原创 038、语义分割
语义分割,语义分割是计算机视觉领域的一项重要任务,旨在将图像中的每个像素分配到其对应的语义类别中。与物体检测或图像分类不同,语义分割不仅要识别图像中的对象,还要为每个像素标注其语义类别,实现对图像的细粒度理解。在语义分割中,每个像素都被赋予一个标签,表示该像素属于图像中的哪个语义类别,例如人、车、道路、树等。这使得语义分割成为深度学习在医学图像分析、自动驾驶、农业图像处理等领域中的关键技术之一。常见的语义分割方法包括基于卷积神经网络(CNN)的深度学习方法。
2023-11-19 16:40:34
221
原创 036、目标检测-锚框
边缘框这样一个指定roi区域的操作对卷积神经网络实际上是很不友好的,这可能会对网络感受野提出一些特定的要求,所以诞生了锚框的技术:锚框(Anchor Box),也被称为先验框(Prior Box),是目标检测领域中一种用于提高模型准确性的技术。目标检测任务涉及识别图像中的对象并定位它们的位置。锚框在这方面发挥了关键作用。在目标检测任务中,模型通常需要为图像中的每个位置预测对象的存在以及其边界框(bounding box)。锚框的作用是为模型提供一组预定义的框,这些框具有不同的大小和宽高比。
2023-11-18 17:59:33
1712
原创 035、目标检测-物体和数据集
目标检测是计算机视觉中应用最为广泛的,之前所研究的图片分类等都需要基于目标检测完成。在图像分类任务中,我们假设图像中只有一个主要物体对象,我们只关注如何识别其类别。然而,很多时候图像里有多个我们感兴趣的目标,我们不仅想知道它们的类别,还想得到它们在图像中的具体位置。在计算机视觉里,我们将这类任务称为目标检测(object detection)或目标识别以下是一些主流的目标检测算法。请注意,领域中的进展可能导致新的算法和方法的出现,因此建议查阅最新的文献和研究以获取最新信息。
2023-11-18 16:20:48
639
原创 033、微调
微调(Fine-tuning)是深度学习中的一种常见策略,它通常用于预训练模型在特定任务上的性能提升。微调的过程涉及在一个已经在大规模数据上进行了预训练的模型的基础上,通过使用目标任务的相关数据集进行进一步训练。在大规模的数据集上,使用一个深度学习模型进行预训练。这个数据集通常是非常庞大的,例如ImageNet包含数百万张图像。将预训练的模型应用于特定的任务,使用与该任务相关的小型数据集进行微调。这个小型数据集可能是与任务密切相关的领域或者任务本身的数据。
2023-11-17 11:17:54
73
原创 004、Nvidia Jetson Nano Developer KIT(b01)-代码环境配置
这是关于自己的demo要移植到jetson nano上,缺啥补啥的过程。
2023-11-10 13:23:45
132
原创 003、Nvidia Jetson Nano Developer KIT(b01)-深度学习环境配置
网上到处淘金,pytorch、opencv、torchvision。
2023-11-09 11:15:28
249
原创 002、Nvidia Jetson Nano Developer KIT(b01)-基本环境配置
python、pip、源、输入法、cuda、jtop监视器、交换空间.
2023-11-08 12:48:52
206
原创 001、Nvidia Jetson Nano Developer KIT(b01)-系统与登录
Jetson Nano Developer Kit 是一款体积小巧当功能强大的AI开发套件,搭载四核Cortex-A57处理器,128核Maxwell GPU 以及4GB LPDDR内存。支持NVIDIA JetPack。可以并行运行多个神经网络对图像分类,目标检测,分割和语音处理等应用。
2023-11-06 19:58:30
259
原创 032、数据增广*
深度学习的数据增强(Data Augmentation)是一种技术,用于通过对原始数据进行多样性的变换和扩充,以增加训练数据的多样性,提高模型的泛化能力。这有助于减轻过拟合问题,提高深度学习模型的性能。这些案例表明,数据增强是深度学习中的一种重要技术,可以显著提高模型的性能和泛化能力。不同领域的数据增强方法可能有所不同,但它们都通过增加数据多样性来帮助模型更好地理解和泛化数据。
2023-11-02 10:53:18
204
原创 030、Res的妙处
resnet为什么能缓解梯度下降和梯度爆炸呢:ResNet(Residual Networks)能够缓解梯度下降问题,特别是梯度消失和梯度爆炸问题,主要因为它引入了残差连接(residual connections)。梯度下降问题的根本在于深层神经网络难以训练的原因之一是梯度在反向传播过程中会逐渐减小,导致浅层的权重更新比深层的权重更新更显著,从而导致梯度消失。另一个问题是在某些情况下,梯度可以变得非常大,导致梯度爆炸。ResNet 通过引入残差连接来解决这些问题。
2023-10-29 17:03:53
62
原创 029、经典神经网络*-6
目录之——ResNet杂谈正文1.问题:深度不是绝对的优化方法2.实现2.1 残差快 2.2 stages小结 一味地增加模型复杂度显然是不可取的,就算运算资源足够,也可能有参数空间的偏移,依靠单纯的大和深来解决问题过于野蛮暴力。 模型的深度并不能保证模型的优秀,更复杂的模型不一定能拿到更好的参数,就是说卷错方向了: resnet核心思想就是就算增加网络也不要使得和之前的差距太大,所以用添层的输入和添加层的输出来一起影响最后输出,而对于残差块所需要学习的自然成了最
2023-10-28 22:29:40
52
原创 028、批量归一化
训练深层神经网络是十分困难的,特别是在较短的时间内使他们收敛更加棘手。而批量规范化是一种流行且有效的技术,可持续。再结合后面将介绍的残差块,批量规范化使得研究人员能够训练100层以上的网络。批量归一化(Batch Normalization)是一种深度学习中常用的技术,旨在加快神经网络的训练速度、提高稳定性,并有助于避免梯度消失或梯度爆炸等问题。其核心思想在于对神经网络的输入进行标准化处理,以使得每层网络的输入保持较稳定的分布。
2023-10-28 21:42:47
56
原创 027、经典神经网络-5
GoogLeNet是由Google于2014年提出的深度卷积神经网络架构,它在ImageNet图像分类挑战赛中取得了显著的成功,具有一些独特的特点和创新之处。GoogLeNet引入了Inception模块,这是一种由,它们,并允许网络同时学习不同层次和尺度的特征。这有助于捕捉丰富的特征,从局部特征到全局特征,提高了网络的表示能力。GoogLeNet中的各个Inception模块之间采用了密集连接的方式,即每个模块的输出都与后续模块的输入相连接,使信息能够更自由地流通。
2023-10-28 16:06:30
55
TCGA-blca数据集
2023-10-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人