YBAdiam的博客

非端到端相对于深度学习，传统机器学习的流程往往由多个独立的模块组成，比如在一个典型的自然语言处理（Natural Language Processing）问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端的。端到端深度学习模型在训练过程中，从输入端（输入数据）到输出端会得到一个预测结果，与真实结果相比较会得到一个误差，这个误差会在模型中的每一层传递（反向传播），每一层的表示都会根据这个误差来做

目标检测是人工智能的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤：1、分类，识别物体是什么2、定位，找出物体在哪里image除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示：image这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在图片中出现多种物体、出现在任意位置。因此，目标检测是一个比较复杂的问题。最直接的方法便是...

two-stage模型：R-CNN、Fast R-CNN、Faster R-CNN三个模型都是Ross Girshick教授分别在2014、2015年提出来的，在PASCAL VOC 2007数据集上取得不错的进展。目标检测方法分类两个阶段：分类 定位一、原始方法操作流程：如下图（要识别一只熊），用各种大小的框在图片中进行反复截取，输入到CNN中识别计算得分，最后确定出目标类别和位置。缺点：效率低，太耗时。二、R-CNN2014年，区域卷积神经网络（Region C.

这是一篇总结文，给大家来捋清楚12大深度学习开源框架的快速入门，这是有三AI的GitHub项目，欢迎大家star/fork。https://github.com/longpeng2008/yousan.ai1 概述1.1 开源框架总览现如今开源生态非常完善，深度学习相关的开源框架众多，光是为人熟知的就有caffe，tensorflow，pytorch/caffe2，keras，mxnet，paddldpaddle，theano，cntk，deeplearning4j，matconvnet

一、官网下载安装包NVIDIA官网：https://forums.developer.nvidia.com/t/pytorch-for-jetson-version-1-7-0-now-available/72048可以根据个人需求下载不同版本的Pytorch安装包，建议科学上网。# 安装指令sudo pip3 install torch-1.7.0-cp36-cp36m-linux_aarch64.whl二、验证torch>>> import .

1.Tensorflow使用的预训练的resnet_v2_50，resnet_v2_101，resnet_v2_152等模型预测，训练：https://blog.youkuaiyun.com/u014365862/article/details/782728112.TensorFlow框架下的残差网络（ResNet）逐行代码解析，以及如何在finetune时调节输出特征的尺度：https://blog.c...

前一篇讲过环境的部署篇，这一次就讲讲从代码角度如何导出pb模型，如何进行服务调用。1 hello world篇部署完docker后，如果是cpu环境，可以直接拉取tensorflow/serving，如果是GPU环境则麻烦点，具体参考前一篇，这里就不再赘述了。cpu版本的可以直接拉取tensorflow/serving，docker会自动拉取latest版本：docke...

最近在研究Tensorflow Serving生产环境部署，尤其是在做服务器GPU环境部署时，遇到了不少坑。特意总结一下，当做前车之鉴。1 系统背景系统是ubuntu16.04ubuntu@ubuntu:/usr/bin$ cat /etc/issueUbuntu 16.04.5 LTS \n \l或者ubuntu@ubuntu:/usr/bin$ uname ...

神经网络有时可以与乐高积木进行比较，在那里你可以构建几乎任何简单到复杂的结构，你的想象力可以帮助你构建。计算机视觉任务类型目标识别：物体识别是得到一个原始的图像，任务是给出目标位置和识别物体属于哪个类，另外还有人脸识别，行为识别等三维重建：摄像机标定，立体匹配图像描述：根据给定图像，给出描述文字等深度相机：RGB-D相机，例如手势识别、骨骼跟踪、增强现实等视觉导航：视觉...

神经网络神经网络的学习就是学习如何利用矩阵的线性变换加激活函数的非线性变换，将原始输入空间投向线性可分/稀疏的空间去分类/回归。增加节点数：增加维度，即增加线性转换能力。增加层数：增加激活函数的次数，即增加非线性转换次数。对卡在局部极小值的处理方法1.调节步伐：调节学习速率，使每一次的更新“步伐”不同；2.优化起点：合理初始化权重（weights initializatio...