<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[New_WR的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/New_WR</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; New_WR]]></copyright><item><title><![CDATA[ResNet50 网络结构搭建(PyTorch)]]></title><link>https://blog.youkuaiyun.com/New_WR/article/details/121777644</link><guid>https://blog.youkuaiyun.com/New_WR/article/details/121777644</guid><author>New_WR</author><pubDate>Tue, 07 Dec 2021 20:15:25 +0800</pubDate><description><![CDATA[ResNet50是一个经典的特征提取网络结构，虽然Pytorch已有官方实现，但为了加深对网络结构的理解，还是自己动手敲敲代码搭建一下。需要特别说明的是，笔者是以熟悉网络各层输出维度变化为目的的，只对建立后的网络赋予伪输入并测试各层输出，并没有用图像数据集训练过该网络（后续会用图像数据集测试并更新博客）。
1 预备理论
在动手搭建ResNet50以前，首先需要明确ResNet系列网络的基本结构，其次复习与卷积相关的几个知识点，以便更好地理解网络中间输出维度的]]></description><category></category></item><item><title><![CDATA[SimCLR：A Simple Framework for Contrastive Learning of Visual Representations 论文笔记]]></title><link>https://blog.youkuaiyun.com/New_WR/article/details/115438669</link><guid>https://blog.youkuaiyun.com/New_WR/article/details/115438669</guid><author>New_WR</author><pubDate>Mon, 05 Apr 2021 10:26:52 +0800</pubDate><description><![CDATA[SimCLR 论文笔记
 
1 ABSTRACT
SimCLR： 用于视觉表征的对比学习框架，简化了最近提出的对比自我监督学习算法，无需专门的架构或存储库。


理论贡献：

组合数据増广在定义有效的预测任务中有重要作用
在视觉表征和对比损失之间引入可学习的非线性转换，可以改善所学习表征的质量
与监督学习相比，对比学习得益于更大的批量和更多的训练轮数



实验证明：

通过结合这些发现，我们能够大大胜过ImageNet上用于自我监督和半监督学习的先前方法。 由SimCLR学习的经过自我监督表示训练的线性分]]></description><category></category></item><item><title><![CDATA[MoCo：Momentum Contrast for Unsupervised Visual Representation Learning 论文笔记]]></title><link>https://blog.youkuaiyun.com/New_WR/article/details/115381870</link><guid>https://blog.youkuaiyun.com/New_WR/article/details/115381870</guid><author>New_WR</author><pubDate>Thu, 01 Apr 2021 19:42:50 +0800</pubDate><description><![CDATA[MoCo论文笔记
 
1 ABSTRACT


理论贡献： 提出用于无监督视觉表示学习的动量对比度（MoCo），从作为字典查找的对比学习的角度来看，构建了带有队列和移动平均编码器的动态字典，可以动态地构建大型且一致的词典，促进对比性无监督学习。


实验证明：

MoCo在ImageNet分类的线性分类问题上具有竞争力。
MoCo学习到的表示形式可以很好地转移到下游任务中。
在PASCAL VOC，COCO和其他数据集上的7个检测/细分任务中，MoCo可以胜过其监督的预训练同类，有时甚至可以大大超过其性能。]]></description><category></category></item><item><title><![CDATA[CUDA11.0+cuDNN8.0.5+Anaconda3.5+PyTorch1.7.0配置说明]]></title><link>https://blog.youkuaiyun.com/New_WR/article/details/113617953</link><guid>https://blog.youkuaiyun.com/New_WR/article/details/113617953</guid><author>New_WR</author><pubDate>Wed, 03 Feb 2021 20:06:45 +0800</pubDate><description><![CDATA[CUDA11.0+cuDNN8.0.5+Anaconda3.5+PyTorch1.7.0配置说明

**简介：**该文档记录的配置方法测试过多次有效，在第3步安装CUDA容易遇到问题，本文档是在WIin10+Ubuntu18.04双系统的新机上最终测试过的一次安装成功步骤说明
**提示：紫色"说明"部分是对操作步骤的解释，在执行“3 安装CUDA”**时容易出现问题，请仔细操作

1 新机预安装

**说明：**在新系统/重装系统的新机上预安装vim和gcc

# 安装vim
    $ sudo apt ]]></description><category></category></item></channel></rss>