- 原文： http://blog.sina.com.cn/s/blog_6df50e1a01019z95.html 1.使用模板处理图像相关概念 模板：矩阵方块，其数学含义是一种卷积运算。 卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个... 原文： http://blog.sina.com.cn/s/blog_6df50e1a01019z95.html 1.使用模板处理图像相关概念 模板：矩阵方块，其数学含义是一种卷积运算。 卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个...
- https://www.jiqizhixin.com/articles/2018-07-03-14 例子： https://github.com/ShikamaruZhang/AdamW optim_adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99), weight_decay... https://www.jiqizhixin.com/articles/2018-07-03-14 例子： https://github.com/ShikamaruZhang/AdamW optim_adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9, 0.99), weight_decay...
- EfficientNetV2: Smaller Models and Faster Training paper: https://arxiv.org/abs/2104.00298 code（官方TF代码即将开源）: https://github.com/google/automl/efficientnetv2 code（大神PyTorch复现代码，刚刚... EfficientNetV2: Smaller Models and Faster Training paper: https://arxiv.org/abs/2104.00298 code（官方TF代码即将开源）: https://github.com/google/automl/efficientnetv2 code（大神PyTorch复现代码，刚刚...
- Alexnet，关于卷积神经网络，不同的网络算法，其实大家的框架是一样的，不一样的是大家的卷积层，也就是提取特征的过程。 整个算法的体系 Alexnet包含了八个学习层，五个卷积层和三个全连接层 conv1阶段 输入数据：卷积核：；步长：4；数量（也就是输出个数）：96卷积后数据：relu1后的数据：pool1的核：，步长：2pool1后... Alexnet，关于卷积神经网络，不同的网络算法，其实大家的框架是一样的，不一样的是大家的卷积层，也就是提取特征的过程。 整个算法的体系 Alexnet包含了八个学习层，五个卷积层和三个全连接层 conv1阶段 输入数据：卷积核：；步长：4；数量（也就是输出个数）：96卷积后数据：relu1后的数据：pool1的核：，步长：2pool1后...
- C3F：首个开源人群计数算法框架 导读：52CV曾经报道多篇拥挤人群计数相关的技术，比如最近的： CVPR 2019 | 西北工业大学开源拥挤人群数据集生成工具，大幅提升算法精度 开源地址： https://github.com/gjy3035/C-3-Framework 这个有个核心网络加自己的人数计数，比如resn... C3F：首个开源人群计数算法框架 导读：52CV曾经报道多篇拥挤人群计数相关的技术，比如最近的： CVPR 2019 | 西北工业大学开源拥挤人群数据集生成工具，大幅提升算法精度 开源地址： https://github.com/gjy3035/C-3-Framework 这个有个核心网络加自己的人数计数，比如resn...
- end2end的意思在不同人看来有不同理解，但是作为程序员/深度学习炼丹娃，应当理解为：至少是从处理过的图像-->最终目标结果（比如分类结果、检测结果、分割结果等）的一个流程，也就是起码把原来的“特征提取”和“用分类器做分类，包括特征选择”的两个模块，串在一起了，而不是显示地分成两个模块。 下面是转载知乎的回答： 作者：王赟 Maigo 链接：https:/... end2end的意思在不同人看来有不同理解，但是作为程序员/深度学习炼丹娃，应当理解为：至少是从处理过的图像-->最终目标结果（比如分类结果、检测结果、分割结果等）的一个流程，也就是起码把原来的“特征提取”和“用分类器做分类，包括特征选择”的两个模块，串在一起了，而不是显示地分成两个模块。 下面是转载知乎的回答： 作者：王赟 Maigo 链接：https:/...
- 深度学习最全优化方法总结比较（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam） 前言 （标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。 SGD 此处的SGD指mini-batch gradient descent，关于batch grad... 深度学习最全优化方法总结比较（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam） 前言 （标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。 SGD 此处的SGD指mini-batch gradient descent，关于batch grad...
- pynvml 多gpu不能显示 多个gpu时，只能显示一个gpu， 解决方法，把cuda重新装。 下面两种方法都能看有多少个gpu？ import os import pynvml pynvml.nvmlInit() def usegpu(need_gpu_count=1): nouse = [] for index in range(pynvml.nvmlDe... pynvml 多gpu不能显示 多个gpu时，只能显示一个gpu， 解决方法，把cuda重新装。 下面两种方法都能看有多少个gpu？ import os import pynvml pynvml.nvmlInit() def usegpu(need_gpu_count=1): nouse = [] for index in range(pynvml.nvmlDe...
- 原文：http://www.tinymind.cn/articles/1176 在 AlphaGo 对弈李世石、柯洁之后，更多行业开始尝试通过机器学习优化现有技术方案。其实对于实时音视频来讲，对机器学习的研究已有多年，我们曾分享过的实时图像识别只是其中一种应用。我们还可以利用深度学习来做超分辨率。我们这次就分享一下用于超分辨率的深度学习基本框架，以及衍生... 原文：http://www.tinymind.cn/articles/1176 在 AlphaGo 对弈李世石、柯洁之后，更多行业开始尝试通过机器学习优化现有技术方案。其实对于实时音视频来讲，对机器学习的研究已有多年，我们曾分享过的实时图像识别只是其中一种应用。我们还可以利用深度学习来做超分辨率。我们这次就分享一下用于超分辨率的深度学习基本框架，以及衍生...
- 加权边界框融合(WBF) 原文链接：https://arxiv.org/pdf/1910.13302.pdf 源码https://github.com/ZFTurbo/Weighted-Boxes-Fusion WBF 的一些缺陷： 速度慢，大概比标准NMS慢3倍WBF实验中是在已经完成NMS的模型上进行的 下面是WBF的算法步骤： 每个模型的每个预测... 加权边界框融合(WBF) 原文链接：https://arxiv.org/pdf/1910.13302.pdf 源码https://github.com/ZFTurbo/Weighted-Boxes-Fusion WBF 的一些缺陷： 速度慢，大概比标准NMS慢3倍WBF实验中是在已经完成NMS的模型上进行的 下面是WBF的算法步骤： 每个模型的每个预测...
- GoogLeNetInceptionCNN深度学习卷积神经网络 2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构（详见 大话CNN经典模型：VGGN... GoogLeNetInceptionCNN深度学习卷积神经网络 2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构（详见 大话CNN经典模型：VGGN...
- Region Proposal Network RPN的实现方式：在conv5-3的卷积feature map上用一个n*n的滑窗（论文中作者选用了n=3，即3*3的滑窗）生成一个长度为256（对应于ZF网络）或512（对应于VGG网络）维长度的全连接特征.然后在这个256维或512维的特征后产生两个分支的全连接层： (1)reg-layer,用于预测proposal的... Region Proposal Network RPN的实现方式：在conv5-3的卷积feature map上用一个n*n的滑窗（论文中作者选用了n=3，即3*3的滑窗）生成一个长度为256（对应于ZF网络）或512（对应于VGG网络）维长度的全连接特征.然后在这个256维或512维的特征后产生两个分支的全连接层： (1)reg-layer,用于预测proposal的...
- 我的理解：就是特征降维，把不重要的信息过滤掉。 深度学习中的注意力机制 最近两年，注意力模型（Attention Model）被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，是深度学习技术中最值得关注与深入了解的核心技术之一。 本文以机器翻译为例，深入浅出地介绍了深度学习中注意力机制的原理及关键计算机制，同时也... 我的理解：就是特征降维，把不重要的信息过滤掉。 深度学习中的注意力机制 最近两年，注意力模型（Attention Model）被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，是深度学习技术中最值得关注与深入了解的核心技术之一。 本文以机器翻译为例，深入浅出地介绍了深度学习中注意力机制的原理及关键计算机制，同时也...
- 1.卷积参数量的计算，若卷积层的输入featuremap的维度为Cin×Hin×Win,卷积核的大小为K1×K2, padding=P1×P2, stride=S1×S2,卷积核(filter)的数量为Cout,则输出特征图的大小为Cout×Hout×Wout,其中： Hout=⌊(H−K1+2P1)/S1⌋+1 Wout=⌊(W−K2+2P2)/S2... 1.卷积参数量的计算，若卷积层的输入featuremap的维度为Cin×Hin×Win,卷积核的大小为K1×K2, padding=P1×P2, stride=S1×S2,卷积核(filter)的数量为Cout,则输出特征图的大小为Cout×Hout×Wout,其中： Hout=⌊(H−K1+2P1)/S1⌋+1 Wout=⌊(W−K2+2P2)/S2...
- 原文：https://zhuanlan.zhihu.com/p/42924585 AutoML和神经架构搜索（NAS），是深度学习领域的新一代王者。 这些方法能快糙猛地搞定机器学习任务，简单有效，高度符合当代科技公司核心价值观。 它们背后原理如何，怎样使用？ 技术博客TowardDataScience有一篇文章，就全面介绍了关于AutoML和NAS你需... 原文：https://zhuanlan.zhihu.com/p/42924585 AutoML和神经架构搜索（NAS），是深度学习领域的新一代王者。 这些方法能快糙猛地搞定机器学习任务，简单有效，高度符合当代科技公司核心价值观。 它们背后原理如何，怎样使用？ 技术博客TowardDataScience有一篇文章，就全面介绍了关于AutoML和NAS你需...
上滑加载中
推荐直播
-
HDC深度解读系列 - AI时代的华为开发者空间2025/07/24 周四 16:30-18:00
Edwin 华为开发者空间产品总监 姚圣伟 HCDG天津核心组代表&HCDE
继HDC发布开发者空间新特性后，本期直播聚焦华为开发者空间核心升级，邀您一起深度解读其如何赋能AI时代智能应用开发，解锁开发新体验
回顾中 -
华为云师资培训——《云计算》课程2025/07/29 周二 15:00-16:30
郭源潮 DTSE开发者技术专家
华为云师资培训直播，带您掌握产业级云计算课程体系与华为开发者空间实战能力，助力高校数字化转型！
回顾中 -
热门标签