安静

focalLoss焦点损失函数，主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。FocalLoss是在交叉熵损失函数的基础上修改的得来的 其中y表示真实样本；p表示预测得到的概率；平衡因子alpha，用来平衡正负样本本身的比例不均；gamma调节简单样本权重降低的速率，当gamma为0时即为交叉熵损失函数，...

解析标注的集装箱数据，根据坐标获取其中的子框与label进行crnn训练#-*- coding: UTF-8 -*-import jsonimport osimport sysfrom tqdm import tqdmimport cv2img_path = 'C:/Users/admin/Desktop/123/jizhuangx/image/'img_split = '...

1. 网络模型2.不同层设置不同学习率这里以adam优化器为例#不同层设置不同的学习率train_params = list(map(id,crnn.rnn.parameters())) #20rest_params = filter(lambda x:id(x) not in train_params, crnn.parameters()) #20#print('22...

import osimport numpy as npimport cv2from PIL import Imageimport randomimport multiprocessingimport timeimport threadingfrom threading import Threadfrom time import ctimefrom time import sl...

torch.le(input, other, out=None) → Tensor 逐元素比较input和other ， 即是否input<=other返回1或0的tensor结果index_select(x, 1, indices，out)→Tensor1代表维度1，即列，indices是筛选的索引序号。x输入，out输出对应x的索引torch.clamp(i...

import torchfrom torchvision import transforms, datasetsdata_transform = transforms.Compose([ transforms.RandomSizedCrop(224), transforms.RandomHorizontalFlip(), transforms...

不是每一层都计算一遍softmax和regression，这样的计算量太大了，因此需要多个featuremap协作，也就是把所有特征层提取的关于类别或者位置的特征concat起来。在接softmax或者regression。参考：https://blog.youkuaiyun.com/tomxiaodai/article/details/81875810...

from PIL import Imageimport siximgP = 'C:/Users/admin/Desktop/20456859_3970255468.jpg'with open(imgP, 'rb') as f: imageBin = f.read()buf = six.BytesIO() #获取指针（地址）对象buf.write(imageBin) #指...

import osimport lmdb # install lmdb by "pip install lmdb"import cv2import numpy as npfrom keys import *from glob import globimport functoolsdef checkImageIsValid(imageBin): if imageBi...

流程图：图参考自：https://blog.youkuaiyun.com/h__ang/article/details/90316220 训练流程总结如下：（这是通过object detection api训练过程总结而来）（1）首先从tfrecords格式的数据中读取训练图片信息.（2）对图像进行随机水平翻转、大小调整等操作（3）利用搭建的卷积神经网络得到不同尺度...

vgg16网络结构： 源码：import torchimport torch.nn as nnfrom torch.autograd import Variablecfg = {'vgg16':[64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, '...

demo1：def main(): #l2norm = L2Norm(512,20) x = torch.tensor([[1.,2.], [1.,1.]]) norm = x.pow(2).sum(dim=1, keepdim=True).sqrt() #keep表示保持原有2维数据结构的形式 print(no...

运行环境： pytorch 1.1.0 torchvision 0.2.2 cuda 9.0 cudnn v7.5介绍 本案例中，你可以学习如何使用迁移学习来训练自己的网络，本博客参考pytorch官网（pytorch.org）中的官方教程，并进行了独立的实现与代码的梳理。 ...

转载自： https://www.jianshu.com/p/13e31d619c15在pytorch框架下进行迁移学习是往往需要将用到训练的图像进行整合，此时就需要用到torchvision中Compose函数，下面对其中的内部参数进行讲解torchvision.transforms是pytorch中的图像预处理包一般用Compose把多个步骤整合到一起：比如说...

Introduce在pytorch中，torch.nn.Module模块中的state_dict变量存放训练过程中需要学习的权重和偏执系数，state_dict作为python的字典对象将每一层的参数映射成tensor张量，需要注意的是torch.nn.Module模块中的state_dict只包含卷积层和全连接层的参数，当网络中存在batchnorm时，例如vgg网络结构，torch.nn....

import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torch.autograd import Variableimport matplotlib.pyplot as pltimport torch.utils.data as DataLR ...

import torchimport torchvisionimport torchvision.transforms as transformsimport matplotlib.pyplot as pltimport numpy as npimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim...

核心思想：将数据与整个网络都集成到GPU进行运算。代码#gpu方式的mnist手写数字识别import torchimport torch.nn as nnimport torch.optim as optimimport torch.nn.functional as Ffrom torch.autograd import Variableimport torch.uti...

需要理解过程以及每个模块的作用import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimclass Net(nn.Module): def __init__(self,n_feature, n_hidden, n_output): s...

import torchimport torch.nn as nnfrom torch.autograd import Variableimport torch.nn.functional as Fimport torch.optim as optimimport matplotlib.pyplot as pltimport numpy as np#torch.manual_se...

基本原理在卷积神经网络的卷积层之后总会添加BatchNorm2d进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定，BatchNorm2d()函数数学原理如下： BatchNorm2d()内部的参数如下：1.num_features：一般输...