- 博客(37)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 基于阿里云的mysql远程登录配置
1.安装MYSQL安装MYSQL可参考下述博客部分内容：基于阿里云的tomcat和mysql环境搭建2.配置MYSQL远程登录设置Mysql用户权限Mysql登录方式分为本地登陆和远程登录，root用户默认只允许本地登录，故需要进行如下设置：GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY 'password...
2020-02-24 15:33:03
211
原创 基于阿里云的tomcat与mysql环境搭建
1.Mysql配置安装Mysql服务器和客户端sudo apt-get install mysql-serversudo apt-get install mysql-client配置Mysql编码格式sudo vi /etc/mysql/mysql.conf.d/mysqld.cnf在[mysqld]下添加配置： character_set_server=u...
2020-02-04 16:00:28
1022
原创 区分Batch Normalization、Layer Normalization、Instance Normalization、Group Normalization
Batch Normalization、Layer Normalization、Instance Normalization、Group Normalization本文针对神经网络中常见的Normalization Layer进行解释，以区分其中的不同。其中主要包括Batch Normalization、Layer Normalization、Instance Normalization、Group Normalization四种。以CNN为例，假设某一卷积层包括C个kernel（即通道数为c），则卷积
2021-10-18 16:18:56
555
1
原创 关于深度学习中交叉验证的探讨
关于深度学习中交叉验证的探讨1 交叉验证目的对于给定的模型，通过交叉验证评价模型的泛化性能。交叉验证通常用于数据集较小的情况，当数据不足时，随机划分数据集会使模型的泛化误差（测试集上的误差）波动较大，此时需要交叉验证来辅助评估模型的性能。当数据充足的情况下，直接按照一定比例划分训练集、验证集和测试集即可。2 交叉验证步骤以K折交叉验证为例：将数据集等分为互不相交的K个数据子集在K个数据子集中随机选取一个数据子集作为测试集，剩余的K-1个数据子集作为训练集在选定的训练集上训练模型，在测试
2021-09-08 19:01:12
4096
4
原创 深度学习 问题 batch_descriptor: {count: 0 feature_map_count: 64 spatial: 7 7 4 value_min: 0.000000 value_
深度学习 问题 batch_descriptor: {count: 0 feature_map_count: 64 spatial: 7 7 4 value_min: 0.000000 value_max: 0.000000 layout: BatchDepthYX}问题描述Keras/Tensorflow在进行分布式（单机多GPU）训练时，出现如下问题，导致模型训练中止。batch_descriptor: {count: 0 feature_map_count: 64 spatial: 7 7 4
2021-09-02 17:42:42
354
原创 知识蒸馏 示例代码实现及下载
知识蒸馏 代码实现论文《Distilling the Knowledge in a Neural Network》1. 数据集本文使用fashion_mnist数据集，输入图像大小为28*28，共分为10类。通过tensoflow加载数据，并对label进行one hot编码。import tensorflow as tffrom tensorflow import kerasimport numpy as npfashion_mnist = tf.keras.datasets.fas
2021-05-26 20:23:53
8885
67
原创 Xception详解
Xception 详解论文《Xception: Deep Learning with Depthwise Separable Convolutions》1 主要思想传统的卷积操作同时对输入的feature mapping的跨通道交互性（cross-channel correlations）、**空间交互性（spatial correlations）**进行了映射。Inception系列结构着力于将上述过程进行分解，在一定程度上实现了跨通道相关性和空间相关性的解耦。文章在Inception的基础
2021-05-19 20:33:57
12140
2
原创 ResNeXt详解
ResNeXt详解论文《Aggregated Residual Transformations for Deep Neural Networks》1 主要思想随着CNN网络的发展，很多SOTA的网络结构被提出，同时引入了一些新的结构设计方法。VGG网络作为一个经典模型，它提出了叠加相同形状的块（stacking block）来增加模型深度的策略，后续提出的深层CNN模型也基本使用了这一策略。Inception系列网络提出了split-transform-merge的策略，通过多分支卷积实现在低
2021-05-18 17:12:01
1647
1
原创 ShuffleNet详解
ShuffleNet详解论文《ShuffleNet：An Extremely Efficient Convolutional Neural Network for Mobile Devices》1 主要思想轻量级CNN网络近年备受关注，与传统的高准确度但较为复杂的CNN，轻量级网络受限实际任务中计算资源的限制，重点关注模型复杂度和准确度的权衡。已存在一些SOTA的轻量级模型，如Xception、ResNeXt等，但在这些网络中的pointwise convolutions（1*1 conv）计算
2021-05-17 15:33:00
1024
原创 MLP-Mixer详解
MLP-Mixer详解论文《MLP-Mixer: An all-MLP Architecture for Vision》1 主要思想作为Google ViT团队最近刚提出的一种的CV框架，MLP-Mixer使用多层感知机（MLP）来代替传统CNN中的卷积操作（Conv）和Transformer中的自注意力机制（Self-Attention）。MLP-Mixer整体设计简单，在ImageNet上的表现接近于近年最新的几个SOTA模型。2 模型结构MLP-Mixer主要包括三部分：Per-pat
2021-05-11 14:41:36
14468
4
原创 BP算法实现 Python
BP算法实现1 项目信息项目名称：bp算法实现语言：python平台：jupyter2 功能介绍实现网络定义：网络结构、激活函数、softmax、损失函数实现前向传播、后向传播过程实现批量数据的BP 过程3 具体代码import numpy as np3.1 网络结构定义输入模型的相关参数以确定模型的具体结构。模型参数包括模型的层数、每层的神经元数、所使用的激活函数以及学习率。模型默认提供ReLU和sigmoid激活函数，损失函数默认设置为交叉熵。layerNum = int
2021-04-13 17:27:58
602
2
原创 WRN详解
WRN《Wide Residual Network》1 提出问题 随着卷积神经网络模型的发展，网络的深度问题也一直被关注。到底是选择浅层网络好还是深层网络好？这个问题也一直没有被解答。 ResNet中提出的bottleneck块（如下图）进一步增加了网络的深度。bottleneck块中加入了1*1的conv，主要用于embedding和减少参数。但bottleneck进一步使得网络变得更深更窄（deeper，thiner）。ResNet最大深度已经达到了1001层。 ResNet深度的
2021-03-24 16:25:21
4731
原创 ResNet详解
ResNet论文《Deep Residual Learning for Image Recognition》1 现状 随着卷积神经网络（CNN，Convolutional Neural Network）的不断发展，出现了很多新的模型，例如AlexNet、ZFNet、NIN、VGG、Inception v1/v2/v3等，其中各类模型共通点就是CNN的深度在不断增加。 但随着深度增加，CNN出现了网络退化问题（degradation）：随着网络深度增加，模型的准确度趋于饱和，并开始下降。
2021-03-22 22:36:59
1083
原创 ZFNet详解
ZFNet论文《Visualizing and Understanding Convolutional Neural Networks》1 论文思想文章主要用于实现卷积神经网络（CNN，Convelutional Neural Network）的可视化工作，主要是针对于CNN每层得到的特征映射（feature mapping）的可视化。博客中提到的feature mapping指的是一般化的特征映射，即经过卷积激活池化后得到的特征映射，这一点与论文中的表述有所冲突，请注意分辨。文中指出，C
2021-03-22 12:37:42
1081
原创 GoogLeNet Inception v3& LSN详解
GoogLeNet Inception v3 & Label Smoothing论文《Rethinking the Inception Architecture for Computer Vision》1 设计背景文中针对如何构建Inception风格的卷积神经网络提出了一些设计准则，并根据这些准则，设计实现了基于Inception v3模块的GoogLeNet模型。2 通用设计准则避免模型出现特征瓶颈；Avoid representational bottlenecks, e
2021-03-11 18:30:40
419
原创 Windows环境下Qt缺少Mysql驱动的问题解决方案
Windows环境下Qt缺少mysql驱动的问题问题描述：在QT中调用Qsqldatabase库连接mysql时，提示出现如下问题：QSqlDatabase: QMYSQL driver not loadedQSqlDatabase: available drivers: QSQLITE QMYSQL QMYSQL3 QODBC QODBC3 QPSQL QPSQL7解决办法：以Qt 5.12.2、Mysql 8.0为例，其中：Qt路径为 D:/qtMysql路径为 D:/mysql
2021-03-10 17:00:58
3089
6
原创 GoogLeNet Inception v1详解
GoogLeNet Inception v1论文《Going Deeper with Convolutions》1. 研究背景提高神经网络的性能，最直接的方法就是增加神经网络的大小，大小包括了网络的深度和宽度。但是一味地增加网络大小，会带来一些不利的影响：神经网络的大小增加，会带来大量的参数，模型更容易出现过拟合问题；神经网络的大小增加，会使模型在训练过程中的计算开销增加。解决上述问题方法，在模型中引入稀疏性（sparsity），用一个稀疏的网络结构去代替现有的全连接网络结构，以减少网
2021-03-10 15:09:49
398
原创 NIN详解
NIN论文《Network In Network》1. 设计思路卷积神经网络（CNN，Convolutional Neural Network）中，包含多个卷积层和池化层。在传统的CNN模型中，卷积层通过filter进行卷积操作，再使用非线性激活函数进行处理，从而产生特征映射（feature mapping）。其中，高层卷积层提取到的feature mapping是在底层卷积层提取到的feature mapping的基础上进行再提取得到的，所以如果提高每个卷积层的特征提取能力，那么对于整体的特征
2021-03-03 16:52:39
1344
1
原创 VGG详解
VGG论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》1. 设计思路VGG通过增加卷积神经网络的深度来提高模型在图像分类的性能。具体来讲，VGG通过在模型中增加更多的卷积层来增加模型的深度，需要注意的是VGG卷积层中所使用的都是较小的filter（3*3）。通过多层较小filter的卷积层去替代一层较大filter的卷积层，可以在保证感受野（receptive field）不变的前提下，减少参数数量，引
2021-03-03 10:43:12
4972
原创 AlexNet详解
AlexNet论文《ImageNet Classification with Deep Convolutional Neural Networks》1. 数据集ImageNet包括1500万张高分辨率标记图片，标签类别大约有22000类。ImageNet通过top-1 error和top-5 error 来评判模型好坏。其中top-1 表示测试图像的真实标签与模型预测标签不同，top-5表示测试图像的真实标签不在模型预测可能性最大的前5个预测标签中。学习类似于ImageNet的大型数据集，要求
2021-03-02 19:54:36
554
原创 Mysql数据库学习--数据库系统概述及设计过程
目录1 数据库系统概述1.1 数据库系统（DBS）组成 1.1.1 数据库（DB） 1.1.2 数据库管理系统（DBMS） 1.1.3 应用程序（APP） 1.1.4 数据库管理员（DBMA）1.2 数据模型1.3数据库系统（DBS）特点1.4 数据库系统三级模式及二级映像1.4.1 三级模式1.4.2 二级映像2 数据库系统设计过程2.1 需求分析阶段 2.1.1 需求分析过程 2.1.2 数据字典...
2020-05-28 21:09:20
1423
原创 Mysql数据库学习--关系数据库
目录1.关系1.1关系分类1.2关系性质1.3关系与关系模式1.4关系语言分类2.关系模型2.1关系数据结构2.2关系操作2.3关系完整性约束3.关系代数3.1传统的集合运算3.2专门的集合运算1.关系1.1关系分类基本关系：实际存在的表，是实际存储数据的逻辑表示查询表：查询结果对应的表视图表：由基本表或其他视图表导出的表，...
2020-03-16 19:16:37
386
原创 Mysql数据库学习--数据库系统概述
目录1.数据Data2.数据库DB3.数据库管理系统DBMS3.1数据库管理系统主要功能3.2数据库管理系统基本功能3.3数据库管理系统层次结构4.数据库系统DBS4.1数据库系统组成4.2数据库系统特点4.3数据库系统的三级模式结构4.4数据库系统的二级映像功能5.数据模型5.1数据模型组成要素5.2数据模型分类5.3概念模型（信息模型...
2020-03-16 13:37:18
669
原创 Mysql数据库学习--数据库完整性
目录1实体完整性（主键）1.1实体完整性检查1.2实体完整性定义1.3实体完整性删除2.参照完整性（外键）2.1参照完整性检查2.2参照完整性定义2.2参照完整性删除3.用户定义的完整性3.1属性上的约束条件（列级完整性约束）3.2元组上的约束条件（表级完整性约束）4断言（Mysql已淘汰）4.1创建断言4.2删除断言5.触发器5.1...
2020-03-14 19:47:57
597
原创 Mysql数据库学习--用户及权限操作
目录1.用户操作1.1新建普通用户1.2删除普通用户1.3修改用户密码2.权限操作2.1用户授权2.2用户收回权限2.3用户权限查看3.角色操作3.1创建角色3.2角色授权3.3为用户赋予角色4.存取控制1.用户操作1.1新建普通用户Create user ‘用户名’@ ‘localhost | %’identified by...
2020-03-14 19:06:39
289
原创 Mysql数据库学习--索引及视图操作
1.索引1.1常见索引类型：顺与文件索引、B+树索引、散列索引、位图索引1.2索引分类普通索引与唯一索引单列索引与组合索引全文索引：FULLTEXT, MyISAM存储引擎支持空间索引：GEOMETRY、POINT、LINESTRING、POLYGON, MyISAM存储引擎支持1.3索引创建...
2020-03-14 18:51:28
893
原创 Mysql数据库学习--模式及基本表操作
目录1.模式1.1模式创建1.2模式删除2.基本表2.1基本表创建2.2基本表修改2.3基本表删除2.4为表增加计算列3.数据查询3.1连接查询3.2内连接查询3.3外连接查询3.4嵌套查询3.5基于派生表的查询4.数据更新4.1数据插入4.2数据修改4.3数据删除1.模式1.1模式创建Create dat...
2020-03-14 18:41:38
573
原创 基于阿里云服务器的Qt程序与Mysql链接问题处理方法
问题描述：Qt程序无法链接Mysql，提示Mysql驱动未加载。解决方案：1.检查Qt配置过程无误Qt配置过程请参考下述文章：基于阿里云服务器的Qt SDK配置过程链接2.检查libqsqlmysql.so文件是否存在执行下面指令，检查libqsqlmysql.so文件是否存在。find / -name libqsqlmysql.so3.libqsqlmys...
2020-01-03 15:26:51
649
转载 基于阿里云服务器的Qt SDK配置
1.Mysql配置安装Mysql服务器和客户端sudo apt-get install mysql-serversudo apt-get install mysql-client配置Mysql编码格式sudo vi /etc/mysql/mysql.conf.d/mysqld.cnf在[mysqld]下添加配置： character_set_server=...
2020-01-02 19:00:31
1938
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人