- 整体嵌套的边缘检测： Holistically-Nested Edge Detection vgg16： https://github.com/harsimrat-eyeem/holy-edge c++版的： https://github.com/harsimrat-eyeem/hed ... 整体嵌套的边缘检测： Holistically-Nested Edge Detection vgg16： https://github.com/harsimrat-eyeem/holy-edge c++版的： https://github.com/harsimrat-eyeem/hed ...
- darknet：网络挺快，但是权重比较大，占用内存比较多 darknet53 512 p100 gpu 15ms ShuffleNetV2 512 p100 gpu 15ms，但是权重比较小，占用内存小。 dla_34 p100 512 512 23ms 训练比较慢 if __n... darknet：网络挺快，但是权重比较大，占用内存比较多 darknet53 512 p100 gpu 15ms ShuffleNetV2 512 p100 gpu 15ms，但是权重比较小，占用内存小。 dla_34 p100 512 512 23ms 训练比较慢 if __n...
- 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边... 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边...
- https://www.maixj.net/ict/float16-32-64-19912 float16/32/64对神经网络计算的影响 神经网络的计算，或者说深度学习的计算，全都是浮点数。浮点数的类型分16/32/64（128位的不再考虑范围内，numpy和python最大只到float64），选择哪一种浮点数类型，对神经网络的计算有不同的影响。以下是... https://www.maixj.net/ict/float16-32-64-19912 float16/32/64对神经网络计算的影响 神经网络的计算，或者说深度学习的计算，全都是浮点数。浮点数的类型分16/32/64（128位的不再考虑范围内，numpy和python最大只到float64），选择哪一种浮点数类型，对神经网络的计算有不同的影响。以下是...
- opencv 调onnx https://github.com/Star-Clouds/CenterFace/blob/master/prj-python/centerface.py ncnn调，比如： https://github.com/moli232777144/mtcnn_ncnn/tree/master/src opencv 调onnx https://github.com/Star-Clouds/CenterFace/blob/master/prj-python/centerface.py ncnn调，比如： https://github.com/moli232777144/mtcnn_ncnn/tree/master/src
- 你的模型到底有多少参数，每秒的浮点运算到底有多少，这些你都知道吗？近日，GitHub 开源了一个小工具，它可以统计 PyTorch 模型的参数量与每秒浮点运算数（FLOPs）。有了这两种信息，模型大小控制也就更合理了。 其实模型的参数量好算，但浮点运算数并不好确定，我们一般也就根据参数量直接估计计算量了。但是像卷积之类的运算，它的参数量比较小，但是运算量非常... 你的模型到底有多少参数，每秒的浮点运算到底有多少，这些你都知道吗？近日，GitHub 开源了一个小工具，它可以统计 PyTorch 模型的参数量与每秒浮点运算数（FLOPs）。有了这两种信息，模型大小控制也就更合理了。 其实模型的参数量好算，但浮点运算数并不好确定，我们一般也就根据参数量直接估计计算量了。但是像卷积之类的运算，它的参数量比较小，但是运算量非常...
- KNN、MOG2和GMG 好像能判断物体移开，花屏效果不好,mouse也不能检测。 mog2: # coding:utf-8 import cv2 # 获取摄像头对象cap = cv2.VideoCapture(0)# 背景分割器对象mog = cv2.createBackgroundSubtractorMOG2() while True: ret, f... KNN、MOG2和GMG 好像能判断物体移开，花屏效果不好,mouse也不能检测。 mog2: # coding:utf-8 import cv2 # 获取摄像头对象cap = cv2.VideoCapture(0)# 背景分割器对象mog = cv2.createBackgroundSubtractorMOG2() while True: ret, f...
- 64*64的分类网络，比pelee收敛慢很多 这个网络用的relue，初步测试relue6好像没有relu效果好 LeakyReLU开始效果也不是特别好 很感谢这个作者，写的很好 https://zhuanlan.zhihu.com/p/76491446 5个月之前更新了：用的vgg16 vgg16 1070上 batch:4 时间3ms htt... 64*64的分类网络，比pelee收敛慢很多 这个网络用的relue，初步测试relue6好像没有relu效果好 LeakyReLU开始效果也不是特别好 很感谢这个作者，写的很好 https://zhuanlan.zhihu.com/p/76491446 5个月之前更新了：用的vgg16 vgg16 1070上 batch:4 时间3ms htt...
- 内积就是点乘，卷积先取反。 import numpy as np bb=[1,2]cc=[2,3] aa=np.dot(bb,cc) print(aa) dd= np.convolve([2,1],cc,'valid')print(dd) dd= np.convolve(bb,cc,'same')print(dd) dd= np.convolve(bb,cc,'ful... 内积就是点乘，卷积先取反。 import numpy as np bb=[1,2]cc=[2,3] aa=np.dot(bb,cc) print(aa) dd= np.convolve([2,1],cc,'valid')print(dd) dd= np.convolve(bb,cc,'same')print(dd) dd= np.convolve(bb,cc,'ful...
- 反向传播算法（Backpropagation）是目前用来训练人工神经网络（Artificial Neural Network，ANN）的最常用且最有效的算法。其主要思想是： （1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程； （2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值... 反向传播算法（Backpropagation）是目前用来训练人工神经网络（Artificial Neural Network，ANN）的最常用且最有效的算法。其主要思想是： （1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程； （2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值...
- 数字信号处理的主要数学工具是傅里叶变换．而傅里叶变换是研究整个时间域和频率域的关系。 快速傅里叶变换假定了时间信号是周期无限的。但在分析时，我们往往只截取其中的一部分，因此需要加窗以减小泄露。窗函数可以加在时域，也可以加在频域上，但在时域上加窗更为普遍。 不过，当运用计算机实现工程测试信号处理时，不可能对无限长的信号进行测量和运算，而是取其有限的时间片段进行分析。做... 数字信号处理的主要数学工具是傅里叶变换．而傅里叶变换是研究整个时间域和频率域的关系。 快速傅里叶变换假定了时间信号是周期无限的。但在分析时，我们往往只截取其中的一部分，因此需要加窗以减小泄露。窗函数可以加在时域，也可以加在频域上，但在时域上加窗更为普遍。 不过，当运用计算机实现工程测试信号处理时，不可能对无限长的信号进行测量和运算，而是取其有限的时间片段进行分析。做...
- pytorch方法测试——卷积（二维） 测试代码： import torchimport torch.nn as nn m = nn.Conv2d(2, 2, 3, stride=2)input = torch.randn(1, 2, 5, 7)output = m(input) print("输入图片(2张)：")print(input)print("卷积的权重：")p... pytorch方法测试——卷积（二维） 测试代码： import torchimport torch.nn as nn m = nn.Conv2d(2, 2, 3, stride=2)input = torch.randn(1, 2, 5, 7)output = m(input) print("输入图片(2张)：")print(input)print("卷积的权重：")p...
- 机器学习：一步步教你理解反向传播方法 时间 2016-09-13 00:35:59 Yong Yuan's blog 原文 http://yongyuan.name/blog/back-propagtion.html 主题 数据挖掘 ... 机器学习：一步步教你理解反向传播方法 时间 2016-09-13 00:35:59 Yong Yuan's blog 原文 http://yongyuan.name/blog/back-propagtion.html 主题 数据挖掘 ...
- http://blog.sina.com.cn/s/blog_7445c2940102wmrp.html 多维卷积与一维卷积的统一性（运算篇） 转载 2016-10-16 16:00:31 标签： 卷积 二维卷积 高维卷积 数学运算 信号与系统 本篇博文本来是想在下一篇博文中顺带提一句的，结果越写越多，那么索性就单独... http://blog.sina.com.cn/s/blog_7445c2940102wmrp.html 多维卷积与一维卷积的统一性（运算篇） 转载 2016-10-16 16:00:31 标签： 卷积 二维卷积 高维卷积 数学运算 信号与系统 本篇博文本来是想在下一篇博文中顺带提一句的，结果越写越多，那么索性就单独...
- 前面是max_pool第二个参数是卷积核，第三个参数是对应步长， import tensorflow as tf sess=tf.Session() x = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]) x = tf.reshape(x, [1, 3, 3, 1]) # give a shap... 前面是max_pool第二个参数是卷积核，第三个参数是对应步长， import tensorflow as tf sess=tf.Session() x = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]) x = tf.reshape(x, [1, 3, 3, 1]) # give a shap...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中
热门标签