妙猪的专栏

摘要卷积网络在特征分层领域是非常强大的视觉模型。我们证明了经过端到端、像素到像素训练的卷积网络超过语义分割中最先进的技术。我们的核心观点是建立“全卷积”网络，输入任意尺寸，经过有效的推理和学习产生相应尺寸的输出。我们定义并指定全卷积网络的空间，解释它们在空间范围内dense prediction任务(预测每个像素所属的类别)和获取与先验模型联系的应用。我们改编当前的分类网络(AlexNet

快速开始序贯（Sequential）模型序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。可以通过向Sequential模型传递一个layer的list来构造该模型：from keras.models import Sequentialfrom keras.layers import Dense, Activationmodel = Sequential([Den

可能系列开篇都喜欢说说Snapdragon Neural Processing Engine SDK（SNPE）是个什么东西，我就简短说几句，然后直接简单粗暴直入主题。        Snapdragon Neural Processing Engine SDK是美国高通公司出品的神经网络处理引擎（SNPE），可运行于搭载了高通Zeroth机器智能平台的820芯片处理器，开发者可以在SNPE上

Layer TypeDescriptionCaffe EquivalentTensorFlow EquivalentCPUGPUDSPBatch normalization (+ Scaling)Batch normalization followed by scaling operation. Batch norm operation can be per

对于去噪自编码器，网上好多都是利用全连接神经网络进行构建，我自己写了一个卷积、反卷积形式的去噪自编码器，其中的参数调优如果有兴趣的话，可以自行修改查看结果。数据集我使用最简单的mnist：网络结构：mnist输入（28*28=784向量） => 28*28*1矩阵 => 卷积层1 => 14*14*64 => 卷积层2 => 7*7*64 => 卷积层3 =>

官方其实是给了mnist数据读取接口的，但还是自己实现一下，这样内部的处理机制就都明白了mnist数据集中包含测试集和训练集（训练+验证），每个集合中包含若干图片和一个标签文件：转tfrecords代码#! -*- coding: utf-8 -*-import tensorflow as tffrom PIL import Imageconfig =

dilated convolution是针对图像语义分割问题中下采样会降低图像分辨率、丢失信息而提出的一种卷积思路。

文章出处：http://blog.youkuaiyun.com/mao_xiao_feng/article/details/71713358反卷积操作是卷积的反向如果你随时都记住上面强调的重点，那你基本就理解一大半了，接下来通过一些函数的介绍为大家强化这个观念conv2d_transpose(value, filter, output_shape, strides, paddi

最近需要使用slim模块，先把slim的介绍放在这，后续会进行整理github：https://github.com/tensorflow/tensorflow/edit/master/tensorflow/contrib/slim/README.mdTensorFlow-SlimTF-Slim is a lightweight library for defining, trai

工程结构如下：将网络模型（图+权值）保存为.pb文件  write.py# -*- coding: utf-8 -*-from __future__ import absolute_import, unicode_literalsfrom tensorflow.examples.tutorials.mnist import input_dataimport tensorfl

做深度学习的项目时，原始图片一般会先转换成其他格式，方便学习框架直接读取，比如caffe的leveldb、lmdb，matlab的.m格式，tensorflow的tfrecords格式等。python读写tfrecords格式，请参照http://blog.youkuaiyun.com/guvcolie/article/details/77460494python读写matlab的.m格式也很简单，写

关于Tensorflow数据的读取，有三种方法：供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据(一次一喂)。从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据（从文件流中自动读取）。预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。

查看机器上GPU情况命令： nvidia-smi功能：显示机器上gpu的情况命令： nvidia-smi -l功能：定时更新显示机器上gpu的情况其中左上侧有0、1、2、3的编号，表示GPU的编号，在后面指定GPU时需要使用这个编号。在终端执行程序时指定GPU  CUDA_VISIBLE_DEVICES=1   python  your_

文章出处：http://blog.youkuaiyun.com/mao_xiao_feng/article/details/53444333tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要tf.nn.conv2d(input, filter, strides, paddi

文章出处： https://zhuanlan.zhihu.com/p/27902193前言这周工作太忙，本来想更把Attention tranlsation写出来，但一直抽不出时间，等后面有时间再来写。我们这周来看一个简单的自编码器实战代码，关于自编码器的理论介绍我就不详细介绍了，网上一搜一大把。最简单的自编码器就是通过一个encoder和decoder来对输入进行复现，例如我们将

FCN.py# -×- coding: utf-8 -*-from __future__ import print_functionimport tensorflow as tfimport numpy as npimport TensorflowUtils as utilsimport read_MITSceneParsingData as scene_parsing

文章出处： http://blog.youkuaiyun.com/han_xiaoyang/article/details/503218731. 引言问题描述与动机：大家都知道的，其实我们就是在给定的图像像素向量x和对应的函数f(x)，然后我们希望能够计算f在x上的梯度(∇f(x))我们之所以想解决这个问题，是因为在神经网络中，f对应损失函数L，而输

摘要交互式数字抠图，基于有限的用户输入从图像中提取前景物体，是图像和视频处理中非常重要的任务。从计算机视觉角度，这个任务非常具有挑战性，因为它是一个病态问题，每个像素上都必须估计前景和背景的颜色，还有单通道颜色的前景不透明度（alpha磨砂）。当前的方法将估计严格限制在图像的一小部分，基于已知像素附近估计前景和背景颜色，或者用alpha估计反转前景和背景颜色迭代执行非线性估计。本文提供了自

最近Tensorflow官方发布了一份《Quantizing deep convolutional networks for efficient inference》白皮书，共36页，讲解了基于Tensorflow的模型量化的有关知识。由于最近也在学习模型量化这部分工作，所以计划对这份文档翻译一下，同时share给大家。由于工作时间所限，我尽量每天翻译一些，如果有误解的地方，也请大家批评指正。...