wuli_xin的博客

Pandas 基础和示例

带你读论文系列之计算机视觉–GoogLeNet V3化作天边的一朵云在窗外悄悄看着你。闲谈广东的天气异常热，重庆今日温度28度左右，而广东37度左右。九月的天，让我又进入的夏天????。近期会频繁更新，原因是我假期太懒了，都是之前累积的论文，现在开始整理了。同时，我把相关文档整理一下，放在我的GitHub上，欢迎加星, 欢迎提问，欢迎指正错误, 同时也期待能够共同参与。前言重新思考计算机视觉中的Inception结构。回顾GoogLeNet-V1主要采用了多尺度卷积核、1x1卷积操作、辅助

带你读论文系列之计算机视觉–Inception v2/BN-Inception我们终其一生，就是要摆脱他人的期待，找到真正的自己。–《无声告白》概述论文：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift回顾GoogLeNetInception-v2结构的改进就是将原来的Inception-v1结构中的55卷积层进行修改，用两个33卷积层代替。Batch Nor

带你读论文系列之计算机视觉–ResNet和ResNeXtResNet 强！ResNet发布于2015年，目前仍有大量CV任务用其作为backbone（尤其是顶会实验比较），而且当前很多网络都在使用残差模块。Deep Residual Learning for Image Recognitionhttps://arxiv.org/abs/1512.03385代码：pytorch：https://github.com/fastai/fastaitensorflow：https://github

语义分割模型之DeepLab系列前言DeepLab系列一共有四篇文章，分别对应DeepLab V1、DeepLab V2、DeepLab V3和DeepLab V3+。DeepLab V1论文题目：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs(https://arxiv.org/abs/1606.00915)开源代码：TheLegendAli/DeepLab-Context(

带你读论文系列之计算机视觉–GoogLeNet0 闲谈玩起手机，看着电视，所有的计划都被抛之脑后，此时的快乐是深夜不舍睡下的愧疚。我总是想着明天怎么，而有时不知珍惜当下；总想着那些离开的朋友，而对现在不满；总想着如果这样，而不是我做了会如何。这两天反思了一下，我太依赖有人给我一个学习路线，往往自己探索学习发现的能力和勇气被打磨掉了。小可爱，今天的内容有点多，坚持✊，你是最棒哒！1 背景及部分作者论文名称来源“We Need To Go Deeper”是电影《盗梦空间》中的一个表达，它经常出现在

带你读论文系列之计算机视觉–VGG1 卷积和池化卷积卷积只改变图片的深度（深度与卷积核个数相同），不改变图片的深度和高度（padding方式为SAME，即补零）卷积核的作用：input image --> convolution kernel --> Feature map图像处理时。给定输入图像，输入突袭那个中一个小区域中像素加权平均后成为输出图像中的每一个对应像素。即最后feature map中的一个像素值经过卷积核后图片大小计算公式：out_size=（in_size-F

带你读论文系列之计算机视觉FZNet回顾《带你读论文系列之计算机视觉–AlexNet》Convolutional Network表现好：更大的训练集的可用性，有数百万的标记样本；强大的GPU实现，使训练非常大的模型成为现实；更好的模型正则化策略，如Dropout复杂模型的内部运作和行为，或它们如何取得如此好的性能，仍然没有什么深入了解。你如此优秀，我还不知道你为什么这么优秀。嗯，我必须要了解你一下。「????」背景与作者ZFNet****是Matthew D.Zeiler与Rob F

带你读论文系列之计算机视觉–AlexNet少一些功利主义，多一些不为什么的坚持，你将变得异常美丽！加油，小可爱们！背景及作者AlexNet被认为是计算机视觉领域最有影响力的论文之一，它刺激了更多使用卷积神经网络和GPU来加速深度学习的论文的出现。截至2020年，AlexNet论文已被引用超过54,000次。AlexNet参加了2012年9月30日举行的ImageNet大规模视觉识别挑战赛，达到最低的15.3%的Top-5错误率，比第二名低10.8个百分点。TOP5错误率:即对一个图片，如果概率前

推荐收藏 | 一个画机器学习图的神器scikit-plot一、 安装说明1、安装Scikit-plot非常简单，直接用命令：pip install scikit-plot即可完成安装。2、仓库地址：https://github.com/reiinakano/scikit-plot二、 使用说明从 Scikit-Plot 官网中，搜集出这四大模块里所有的细分函数：scikitplot.metricsplot_confusion_matrix：分类的混淆矩阵plot_precisio

sklearn的train_test_splittrain_test_split函数用于将矩阵随机划分为训练子集和测试子集，并返回划分好的训练集测试集样本和训练集测试集标签。格式：X_train,X_test, y_train, y_test =cross_validation.train_test_split(train_data,train_target,test_size=0.3, r...