- 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算... 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算...
- DistributedDataParallel (既可单机多卡又可多机多卡) 先奉上官网nn.DistributedDataParallel(model)链接 https://pytorch.org/docs/stable/generated/torch.nn.parallel.DistributedDataParallel.html#torch... DistributedDataParallel (既可单机多卡又可多机多卡) 先奉上官网nn.DistributedDataParallel(model)链接 https://pytorch.org/docs/stable/generated/torch.nn.parallel.DistributedDataParallel.html#torch...
- 文章目录 第一章文档介绍 第二章模型简介 2.1.Nanodet模型结构 2.2.Naodet模型性能 第三章训练 3.1.训练环境 3.2.训练 3.2.1.修改训练参数 3.2.2.训练 第四章模型转换和使用 4.1.测试模型 4.2.模型转换 4.3.Ncnn使用 第一章文档... 文章目录 第一章文档介绍 第二章模型简介 2.1.Nanodet模型结构 2.2.Naodet模型性能 第三章训练 3.1.训练环境 3.2.训练 3.2.1.修改训练参数 3.2.2.训练 第四章模型转换和使用 4.1.测试模型 4.2.模型转换 4.3.Ncnn使用 第一章文档...
- insightface代码： https://github.com/deepinsight/insightface 在pytorch训练时，先用gpu1训练，再用gpu2训练，加载gpu1的预训练时报错， 解决方法： 先用cpu加载模型，再转换到新的gpu id上， 代码如下： self.weight: torch.Tensor = torch.load(sel... insightface代码： https://github.com/deepinsight/insightface 在pytorch训练时，先用gpu1训练，再用gpu2训练，加载gpu1的预训练时报错， 解决方法： 先用cpu加载模型，再转换到新的gpu id上， 代码如下： self.weight: torch.Tensor = torch.load(sel...
- 文章目录 1. 文档介绍 2. 环境部署 2.1. Docker环境 2.2. 安装依赖 3. 训练 3.1. 训练参数 3.2. 网络模型 3.3. 数据集 3.4. 训练结果 4. 测试 4.1. 测试参数 4.2. 测试结果 5. 推理 5.1. 推理参数 5.2. 推理结果 ... 文章目录 1. 文档介绍 2. 环境部署 2.1. Docker环境 2.2. 安装依赖 3. 训练 3.1. 训练参数 3.2. 网络模型 3.3. 数据集 3.4. 训练结果 4. 测试 4.1. 测试参数 4.2. 测试结果 5. 推理 5.1. 推理参数 5.2. 推理结果 ...
- 实际测试，发现检测完全错误。可能是官方开源的model有问题，也可能是参数设置的问题(见Config.py文件) 地址：https://github.com/liuwei16/ALFNet 2年前的： keras的，有权重 https://github.com/VideoObjectSearch/ALFNet 从以上分析出发，作者提出... 实际测试，发现检测完全错误。可能是官方开源的model有问题，也可能是参数设置的问题(见Config.py文件) 地址：https://github.com/liuwei16/ALFNet 2年前的： keras的，有权重 https://github.com/VideoObjectSearch/ALFNet 从以上分析出发，作者提出...
- diou比ciou要小，比iou的值也小，训练时候用比较好。 测试时还是iou比较好,训练时giou比较好 import mathimport torch def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False): # Returns the IoU of box1 to bo... diou比ciou要小，比iou的值也小，训练时候用比较好。 测试时还是iou比较好,训练时giou比较好 import mathimport torch def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False): # Returns the IoU of box1 to bo...
- python tensorrt: 激活函数：hard_sigmoid https://github.com/TrojanXu/yolov5-tensorrt https://github.com/wang-xinyu/tensorrtx The Pytorch implementation is ultralytics/yol... python tensorrt: 激活函数：hard_sigmoid https://github.com/TrojanXu/yolov5-tensorrt https://github.com/wang-xinyu/tensorrtx The Pytorch implementation is ultralytics/yol...
- 1） 一个算法中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_path(level="algo")中，第二个任务使用的时候获取目录Context.get_output_path(level="algo")下的结果；2） 这个项目中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_... 1） 一个算法中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_path(level="algo")中，第二个任务使用的时候获取目录Context.get_output_path(level="algo")下的结果；2） 这个项目中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_...
- CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SG... CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SG...
- torch.distributed 包支持 Pytorch 分布式目前只支持 Linux Pytorch 中通过 torch.distributed 包提供分布式支持，包括 GPU 和 CPU 的分布式训练支持。。 在此之前，torch.nn.DataParalle... torch.distributed 包支持 Pytorch 分布式目前只支持 Linux Pytorch 中通过 torch.distributed 包提供分布式支持，包括 GPU 和 CPU 的分布式训练支持。。 在此之前，torch.nn.DataParalle...
- 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...
- 听说效果不错，有预训练， https://github.com/yinboc/liif https://github.com/junpan19/RRN 有预训练 https://github.com/XuecaiHu/Meta-SR-Pytorch 听说效果不错，有预训练， https://github.com/yinboc/liif https://github.com/junpan19/RRN 有预训练 https://github.com/XuecaiHu/Meta-SR-Pytorch
- Ctrl+C之后呈现的信息表明，这个bug是和多线程有关系。 经过笔者实验，目前有三种可靠的解决方式 1）.Dataloader里面不用cv2.imread进行读取图片，用cv2.imread还会带来一系列的不方便，比如不能结合torchvision进行数据增强，所以最好用PIL 里面的I... Ctrl+C之后呈现的信息表明，这个bug是和多线程有关系。 经过笔者实验，目前有三种可靠的解决方式 1）.Dataloader里面不用cv2.imread进行读取图片，用cv2.imread还会带来一系列的不方便，比如不能结合torchvision进行数据增强，所以最好用PIL 里面的I...
- 数据官网：http://shuoyang1213.me/WIDERFACE/ 官方训练集和验证集都有标注，测试集没有 验证集： WIDER_val.zip 标注：wider_face_val_bbx_gt.txt 标注文件：wider_face_split.zip 官网有。 retinaface网址： https://github.com/biu... 数据官网：http://shuoyang1213.me/WIDERFACE/ 官方训练集和验证集都有标注，测试集没有 验证集： WIDER_val.zip 标注：wider_face_val_bbx_gt.txt 标注文件：wider_face_split.zip 官网有。 retinaface网址： https://github.com/biu...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
基于华为云CodeArts的软件需求工程实践2025/08/27 周三 19:00-20:30
马瑞新-华为开发者布道师-高校教师
基于华为云CodeArts的软件开发技术，深度体验>>智能化软件全流程
回顾中
热门标签