![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习学习笔记
文章平均质量分 65
yuejich
温故而知新,可以为师矣!!
展开
-
RPN的理解,大家来指正
vgg16-input:一张图片,8008003的rgb图像特征提取层:vgg16,16倍下采样vgg16-output:5050512的feature maprpn-input=vgg16-output=5050512rpn的第一层可以理解为256个33的卷积核对feature map进行滑窗rpn-output1=5050256或者说是2565050,anchor的生成,可以认为是在5050256的特征图上的每一个像素点生成3个尺度3个比例的anchor box,也就是9个anchor bo原创 2021-08-12 19:57:05 · 238 阅读 · 0 评论 -
基于区域算法有
滑动窗口法,也叫做穷举法 sliding window,属于传统方法选择性搜索法,select search,属于传统方法区域推荐网络,RPN, 属于深度学习方法原创 2021-08-11 19:27:59 · 165 阅读 · 0 评论 -
感知机、支持向量机、逻辑回归、全连接网络、神经网络、卷积神经网络学习总计
感知机感知机用来进行二分类,为什么说它是用来做二分类的呢?因为感知机算法是找出y=wx+b这条直线,这条直线能够把线性可分的数据分开,是分成两部分,因为他就是一个方程,只能是把一堆数据分成两部分,对于线性可分的数据来说这个方程不只有一个,可能会有很多方程都能够把这些数据分成两部分,但是哪个方程是最优解呢?感知机没有选最优解的算法。因为感知机定义的损失函数是用的误分类的原理,误分类数据越多,则损失值越大,通过改变w和b值来最小化损失值,当误分类数据没有的时候,这个值就是0,那么这样的w和b可能不是一个,可能原创 2021-07-30 18:27:46 · 995 阅读 · 0 评论 -
深度学习实战——基于pytorch写的一个猫狗分类的模型——学习总结
写在前面本学习总结主要目的1.怕以后忘记,到时候翻来看看,2.梳理一下项目过程,便于工业化生产(哈哈)3.敲一遍代码加深记忆4.帮助他人,方便入门同学能够容易入门本过程主要设计到的内容1.torch.nn,nn模块下的Module类,组件类,neture network2.tensor,巩固tensor的方法3.torch.utils.data里面DataLoader的用法4.torchvision里面transforms的用法5.torchvision.datasets里面Image原创 2021-07-23 17:07:41 · 2695 阅读 · 15 评论 -
用yolov5训练了一个自己的数据集效果杠杠的
cv识别无人机(yolo算法)在github上download了yolov5的源码,想用视觉识别一下空中飞行的无人机,识别对象有:1:鸟类bird,2:无人机UAV,3:直升机helicopter;想通过自己创建一个数据集,训练yolov5,在调用detect.py来识别一下效果。第一步还是把最终训练出来的效果放上我把视频上传到b站了准备数据集百度了一下,在B站上看到有一个视频是做这个识别的,私信了up主,也没有理我,索性自己弄一个数据集吧!再说了有用不了半个小时。(这里提醒大家,自己做数据集不费原创 2021-06-25 11:33:49 · 6039 阅读 · 17 评论 -
yolo学习0:yolo v5训练自己的数据集
写在最前面设计的整个yolo学习博客分为3篇,第0篇,也就是本篇把我跑通的效果写着这里,也好让看官们能够看到训练完成后是一个怎么样的效果,花费了多长时间。数据我是在百度图片上下载了57张图片,标签大概要打上了200多个吧,花费了一上午的时间验证集的图片七八张的样子,打上了十几个图片从github上下载了yolo v5源代码,基于pytorch,所以电脑要安装pytorchpytorch的gpu版本好像很大,我用的是cpu版本,训练了100个epoch花费了大概2个小时的时间,就可以出来效果原创 2021-05-13 22:50:11 · 704 阅读 · 0 评论 -
yolo学习1:怎么用labelimg创建自己的yolo数据集
这里写自定义目录标题yolo v5训练自己的数据集制作自己的数据集准备工作1,下载labelimg工具下载labelimg工具功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入yolo v5训练自己的数据集最近看了好多图像识别之目原创 2021-05-13 22:34:55 · 4942 阅读 · 3 评论 -
飞桨paddlepaddle深度学习实战——学习笔记(第三章飞桨实践)
@[TOC] 第三章 paddlepaddle实践第三章学习笔记# 定义reader# 定义buf_size和batch_size大小buf_size = 1000batch_size = 256# 训练集readertrain_reader = fluid.io.batch( reader=paddle.reader.shuffle( reader=read_data(TRAIN_SET), buf_size=buf_size ),原创 2021-03-07 21:32:08 · 822 阅读 · 0 评论 -
对于两层的浅层神经网络公式总结
两层浅层神经网络第一层中用到的函数一次线性方程Z1=W1.X+b1 Z1=W1.X+b1Z1=W1.X+b1第一层的非线性激活函数为tanh,公式为:A1=σ(Z1)=eZ1−e−Z1eZ1+e−Z1A1=\sigma(Z1)=\frac{e^{Z1}-e^{-Z1}}{e^{Z1}+e^{-Z1}}A1=σ(Z1)=eZ1+e−Z1eZ1−e−Z1等同于:A1=tanh(Z1)A1=tanh(Z1)A1=tanh(Z1)tanh函数的导数为:T′(x)=1−T2(x)T'(x)=1-T原创 2021-02-28 21:12:17 · 470 阅读 · 0 评论 -
深度学习学习笔记——线性代数矩阵的乘法运算
关于矩阵的运算:关于矩阵的乘法运算总结一下矩阵的物理意义矩阵和矩阵相乘的运算的定义:设A是一个m×nm\times nm×n矩阵,B是一个n×sn \times sn×s 矩阵,规定矩阵A和矩阵B的乘积是一个m×sm\times sm×s矩阵C...原创 2021-02-21 13:58:46 · 11460 阅读 · 0 评论 -
深度学习学习笔记——矩阵的加法运算
关于矩阵的运算:矩阵的加法假设有两个m×nm \times nm×n 的矩阵A和矩阵B,那么矩阵A和矩阵B的和记作A+BA+BA+B注意:只有当两个矩阵是同型矩阵时,这两个矩阵才能进行加法运算,矩阵加法运算满足下列运算规律假设A,B,C都是m×nm \times nm×n矩阵则A+B=B+AA+B=B+AA+B=B+A(A+B)+C=A+(B+C)(A+B)+C=A+(B+C)(A+B)+C=A+(B+C)假设矩阵 A=(aij)A=(a_{ij})A=(aij)则−A=(−ai原创 2021-02-21 11:37:30 · 1225 阅读 · 0 评论 -
利用numpy实现Logistic回归模型——总结(5)
总结前面已经写了5篇总结了,单层网络中要使用的所有方法基本上全部写完了,今天这篇总结就是写一下这个Logistic回归模型的main函数,把所有的方法都用起来,看看训练后的结果,和预测的结果怎么样。main函数首先回忆一下,训练Logistic回归模型需要我们给他提供什么数据,原始数据肯定少不了,还有初始化的W,b,还有学习率learning_rate,最重要的还有迭代次数,我们需要算多少次,iteration_nums所以第一步:加载数据,X_train,Y_train,X_test,Y_tes原创 2021-02-19 16:35:35 · 297 阅读 · 0 评论 -
利用numpy实现Logistic回归模型——总结(4)
内容提要上一篇写道了深度学习的计算过程包括3个过程第一个过程:正向传播-forward propagation第二个过程:反向传播-backward propagation第三个过程:梯度下降1.参数更新函数上一篇定义了一个计算成本和梯度的正向传播和反向传播函数,计算出了cost和梯度dw,db有了w,b和dw,db后需要更新一下w,b,继续算成本值这一篇总结一下一次参数更新函数w=w−adw(公式1)w=w-adw \tag{公式1}w=w−adw(公式1)b=b−adb(公式原创 2021-02-18 21:35:32 · 378 阅读 · 0 评论 -
利用numpy实现Logistic回归模型——总结(3)
内容提要上2篇博客写的内容:1,加载数据2,整理数据3,数据归一4,初始化权重w和b所有的已知量都知道了,接下来就要开始写梯度了,写出来这个logistic模型的算法。现在所有的数学公式都可以用现在已知的量表达出来了。1.数据集标签y的格式和内容是什么?先看看数据集标签y的格式和内容是什么?之前说的都是数据集的变量x,没有写y的格式和内容,为了便于理解,把这个y的内容也补上。加上一个图片,如上图所示,加载了数据后,返回接收了x和y,这一次我们打印出来y的各个属性看看y的格式和内容。可原创 2021-02-18 17:49:02 · 432 阅读 · 1 评论 -
利用numpy实现Logistic回归模型——总结(1)
Logistic回归模型学习总结第一:深度学习单层网络第二:Logistic回归模型概述2.1建立一个数学模型:把变量和结果表示出来——线性变换出来吧2.2 怎么把y值映射到0和1这两个数——非线性变换出来了第三:Logistic回归模型——预测步骤之理解第四Logistic回归模型——损失函数和成本函数第五:Logistic回归模型——梯度下降算法第六:Logistic回归模型——向量化第七:Logistic回归模型——利用Numpy实现Logistic回归模型总结:个人理解学习总结买了一本书《飞桨P原创 2021-02-16 16:57:36 · 1100 阅读 · 5 评论 -
利用numpy实现Logistic回归模型——总结(2)
内容总结:我写的第一篇博客是梳理的logistic回归模型的原理,主要内容是总结Logistic回归模型实现二分类的整体流程。这一篇是第二篇,总结一下怎么用numpy实现Logistic回归模型,numpy是python的一个数学运算的包(numpy深度的内容我还不知道,现在对他的理解就是:他的内容就是大学《线性代数》里面的知识)。接下来就总结一下从理论到实战的过程。这个实战过程也是《飞桨PaddlePaddle深度学习实战》这本书里面的内容,我写的是自己看完后的理解和总结,不是copy人家的哈哈哈原创 2021-02-17 21:06:26 · 600 阅读 · 3 评论