<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ali1174的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ali1174</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ali1174]]></copyright><item><title><![CDATA[Gemini Max相机：Win11中使用pyorbbecsdk的方法（没有废话，只有关键点）]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/155595695</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/155595695</guid><author>ali1174</author><pubDate>Fri, 05 Dec 2025 09:58:52 +0800</pubDate><description><![CDATA[在win11平台上针对奥比中光的Gemini Max相机，使用pyorbbecsdk的方法]]></description><category></category></item><item><title><![CDATA[CNN(九)：Inception v3算法实战]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/133125712</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/133125712</guid><author>ali1174</author><pubDate>Fri, 22 Sep 2023 21:13:58 +0800</pubDate><description><![CDATA[总体而言，Inception v3主要提出了分解卷积，将大卷积因式分解成小卷积核非对称卷积，体现在数学上就是矩阵的分解，即一个大矩阵可以分解成多个小矩阵相乘。由于简单的增大Inception网络的规模是不可行的，这样会导致计算效率变低，Inception v3在v2的基础上去除低层辅助分类器，高层辅助分类器加入BN层作为正则化器。将较大的卷积核分解为串联的小卷积核，能够进行维度缩减，同时小卷积核在多次串联后，并不会缩小感受野，进而提取的特征所代表的感受野不受影响。而并联卷积核池化，避免了表征瓶颈。]]></description><category></category></item><item><title><![CDATA[CNN(八)：Inception V1算法实战与解析]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/132899834</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/132899834</guid><author>ali1174</author><pubDate>Fri, 15 Sep 2023 16:40:19 +0800</pubDate><description><![CDATA[大部分流行的CNN是将网络的卷积层堆叠的越来越多，网络越来越深，同时channel越来越宽，网络越来越宽，以此来希望提取更高层的特征，从而得到更好的性能。但单纯的网络堆叠和加宽会带来副作用，包括梯度爆炸和数据量剧增而导致的训练困难的问题等。而Inception的提出，改善了此种现象。Inception是用多路分支来并行采用不同的卷积核大小，来提取不同大小感受野所代表的特征。这种分支结构，将单路改变为多路，并行计算，使得网络运行速度更快。]]></description><category></category></item><item><title><![CDATA[CNN(七)：ResNeXt-50算法的思考]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/132708928</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/132708928</guid><author>ali1174</author><pubDate>Wed, 06 Sep 2023 10:26:47 +0800</pubDate><description><![CDATA[（1）1个block(conv_shortcut=True)：conv_shortcut=True，结合代码可知，在进行Add操作时，是将进行了Conv+BN操作的特征图（filters=2*128），与后续[（Conv+BN+ReLU）+ 分组卷积 + (Conv+BN) ]的一系列操作后得出的特征图（filters=2*128）进行Add操作，此时Add的两部分的通道数均是2*128，即256，之后再进行ReLU操作；下面以filters=128,blocks=2的入参来说明原因。]]></description><category></category></item><item><title><![CDATA[CNN（六）：ResNeXt-50实战]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/132586530</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/132586530</guid><author>ali1174</author><pubDate>Thu, 31 Aug 2023 11:41:26 +0800</pubDate><description><![CDATA[总而言之，ResNeXt是在ResNet的网络架构上，使用类似于Inception的分治思想，即split-tranform-merge策略，将模块中的网络拆开分组，与Inception不同，每组的卷积核大小一致，这样其感受野一致，但由于每组的卷积核参数不同，提取的特征自然不同。然后将每组得到的特征进行concat操作后，再与原输入特征x或者经过卷积等处理（即进行非线性变换）的特征进行Add操作。这样做的好处是，在不增加参数复杂度的前提下提高准确率，同时还能提高超参数的数量。]]></description><category></category></item><item><title><![CDATA[CNN(五）：DenseNet+SE-Net实战]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/132337888</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/132337888</guid><author>ali1174</author><pubDate>Fri, 18 Aug 2023 09:40:48 +0800</pubDate><description><![CDATA[普通的卷积实际上是对局部区域进行的特征融合，因此其感受野不大，若设计出更多的通道特征来增加这个，不可避免的将导致计算量大大的增加。而SENet网络的创新点在于关注channel之间的关系，希望模型可以自动学习到不同channel特征的重要程度。简而言之，在每个channel上将整个特征图浓缩成一个值，即在Squeeze步骤中通过averagepooling的操作计算每个通道的特征，此时每个通道只有一个特征，即size为c；]]></description><category></category></item><item><title><![CDATA[CNN(四）：ResNet与DenseNet结合--DPN]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/132184082</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/132184082</guid><author>ali1174</author><pubDate>Wed, 09 Aug 2023 15:39:24 +0800</pubDate><description><![CDATA[但又由独特之处，就是在两个模块中，无论是直接shortcut还是经过一个Conc2d+BN，与ResNet的直接进行sum处理不同，这里将两条支路的特征分别进行截取，如图中红框和蓝框中所示，将其特征分别截取成①和②部分，以及③和④部分，其中①③的尺寸一致，②④的尺寸一致，然后将①和③进行sum操作后再与②④进行concat操作，这样便引入了DenseNet中的直接在channel维度上进行concat的思想。这里使用模型DPN92，输出结果如下图所示（由于结果太大，只截取前后部分）]]></description><category></category></item><item><title><![CDATA[经典CNN(三）：DenseNet算法实战与解析]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/132020975</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/132020975</guid><author>ali1174</author><pubDate>Thu, 03 Aug 2023 09:50:59 +0800</pubDate><description><![CDATA[在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如GoogleNet，VGG-16，Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确率。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcut, skip connection），进而训练出更深的CNN网络。]]></description><category></category></item><item><title><![CDATA[经典CNN(二）：ResNet50V2算法实战与解析]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/131823874</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/131823874</guid><author>ali1174</author><pubDate>Fri, 21 Jul 2023 21:36:32 +0800</pubDate><description><![CDATA[根据说明可知，右图的实线表示测试误差，对应右边y轴的Test Error，虚线表示训练损失，对应左边y轴的Train Loss，x轴表示迭代次数Iterations。+(Conv2D+BN+ReLU)+ZeroPad+(Conv2D+BN+ReLU)+Conv2D，右边分支有所差异，因此在编写代码的时候，可以共用一个函数，根据传入参数的不同而产生相应的Residual block。使用不同的激活函数进行尝试，由此可见，最好的结果是full pre-activation，其次是original。]]></description><category></category></item><item><title><![CDATA[经典CNN(一）：ResNet-50算法实战与解析]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/131658399</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/131658399</guid><author>ali1174</author><pubDate>Thu, 13 Jul 2023 11:30:58 +0800</pubDate><description><![CDATA[残差网络是为了解决神经网络隐藏层过多时，而引起的网络退化问题。退化（degradation）问题是指：当网络隐藏层变多时，网络的准确度达到饱和，然后急剧退化，而且这个退化不是由于过拟合引起的。拓展：深度神经网络的“两朵乌云”梯度弥散/爆炸简单来讲就是网络太深了，会导致模型训练难以收敛。这个问题可以被标准初始化和中间层正规化的方法有效控制。网络退化随着网络深度增加，网络的表现先是逐渐增加至饱和，然后迅速下降，这个退化不是由于过拟合而引起的。]]></description><category></category></item><item><title><![CDATA[pytorch(九）：YOLOv5-Backbone模块实现]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/131528471</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/131528471</guid><author>ali1174</author><pubDate>Wed, 05 Jul 2023 13:39:53 +0800</pubDate><description><![CDATA[YOLOv5是目标检测算法，本次课题尝试将其网络结构用在目标识别上，或进行改进形成一个全新的算法。下图为YOLOv5_6.0版本的算法框架图。]]></description><category></category></item><item><title><![CDATA[pytorch(八）：YOLOv5-C3模块实现]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/131329617</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/131329617</guid><author>ali1174</author><pubDate>Fri, 23 Jun 2023 13:16:41 +0800</pubDate><description><![CDATA[●🍨 本文为中的学习记录博客●🍦 参考文章：Pytorch实战 | 第P8天：YOLOv5-C3模块实现(训练营内部成员可读)]]></description><category></category></item><item><title><![CDATA[pytorch(七）：咖啡豆识别]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/131223226</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/131223226</guid><author>ali1174</author><pubDate>Thu, 15 Jun 2023 14:13:33 +0800</pubDate><description><![CDATA[若运行时出现No module named ‘torchsummary’，说明没有没有安装torchsummary，直接pip install torchsummary即可。由于原本训练时，其测试集的正确率已达到100%，因此优化将集中在轻量化网络方向。将卷积块3、4、5中的三层卷积层改为两次卷积层，并去除相应的ReLU层，如下所示。之前使用集成显卡的电脑，训练速度很慢，更换带2080显卡的PC，因此这里可设置device为GPU。在epoch10时，其测试集准确率同意达到了100%。]]></description><category></category></item><item><title><![CDATA[pytorch(六）：好莱坞明星识别]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/131106905</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/131106905</guid><author>ali1174</author><pubDate>Fri, 09 Jun 2023 11:27:29 +0800</pubDate><description><![CDATA[K同学啊。]]></description><category></category></item><item><title><![CDATA[pytorch(五）：运动鞋识别]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/130954454</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/130954454</guid><author>ali1174</author><pubDate>Fri, 02 Jun 2023 20:51:47 +0800</pubDate><description><![CDATA[电脑系统：Windows 10编译器：Jupter Lab语言环境：Python 3.8深度学习环境：Pytorch。]]></description><category></category></item><item><title><![CDATA[pytorch(四）：猴痘病识别]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/130660554</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/130660554</guid><author>ali1174</author><pubDate>Sun, 14 May 2023 11:40:37 +0800</pubDate><description><![CDATA[相比上一个课题项目（pytorch(三）：天气识别_放鹿的散妃的博客-优快云博客），本次课题在网络结构上没有任何变化，但是增加指定图片预测与保存并加载模型这两个模块。]]></description><category></category></item><item><title><![CDATA[pytorch(三）：天气识别]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/130548251</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/130548251</guid><author>ali1174</author><pubDate>Thu, 11 May 2023 18:40:49 +0800</pubDate><description><![CDATA[本节与前面两个课题相比，差别不大，除了数据集不同，另外网络稍微有一点差异外，基本没有太大变化。]]></description><category></category></item><item><title><![CDATA[深度可分离卷积减少参数量和计算量的本质]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/130508295</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/130508295</guid><author>ali1174</author><pubDate>Fri, 05 May 2023 15:44:50 +0800</pubDate><description><![CDATA[对深度可分离卷积的个人理解]]></description><category></category></item><item><title><![CDATA[pytorch（二）：彩色图片识别]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/130478192</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/130478192</guid><author>ali1174</author><pubDate>Thu, 04 May 2023 23:12:03 +0800</pubDate><description><![CDATA[本节与上一个minist手写数字识别项目相比，差别不大，除了数据集和网络稍微复杂一点（增加了一组Conv2d+MaxPool2d+Dropout）外，基本没有太大变化。]]></description><category></category></item><item><title><![CDATA[pytorch（一）：实现mnist手写数字识别]]></title><link>https://blog.youkuaiyun.com/ali1174/article/details/130294224</link><guid>https://blog.youkuaiyun.com/ali1174/article/details/130294224</guid><author>ali1174</author><pubDate>Fri, 21 Apr 2023 20:50:40 +0800</pubDate><description><![CDATA[Pytorch的入门训练--CNN手写mnist识别]]></description><category></category></item></channel></rss>