liugan528的博客

QKV的理解

CLIP (Contrastive Language-Image Pre-training) 是由 OpenAI 开发的多模态模型，可以同时处理图像和文本。

yolov8旋转目标检测输出的角度转化为适合机械爪抓取的角度

import numpy as npX = [1, 2]state = [0.0,0.0]weight_cell_state = np.array([[0.1,0.2],[0.3,0.4]])weight_cell_input = np.array([0.5, 0.6])bias_cell = np.array([0.1,-0.1])weight_output = np.array([[1.0],[2.0]])bias_output = np.array([0.1])for i in

机器学习中的损失函数 （着重比较：hinge loss vs softmax loss）

#!/usr/bin/env python# coding: utf-8# In[1]:import tensorflow as tf# In[2]:# graph = tf.get_default_graph() # default graphgraph = tf.Graph() # self define graph# In[3]:...

1. Windows Caffe Debug版本缺少Python27_d.lib如果用的是Anaconda则需要修改Anaconda2\include目录下的pyconfig.h和object.h文件。 对于pyconfig.h： 修改L338：# ifdef _DEBUG# pragma comment(lib,"python27_d...

caffe 自定义层/添加自己的损失函数Developing new layers

常用的东西还是记下来，省的每次用的时候都要从头捋一遍。 本文是对用caffe做classification的inference流程的梳理。 首先介绍做classification的类/* Pair (label, confidence) representing a prediction. *//* 保存predict的结果：标签 + 概率得分 */typedef std::pair&

RAII(Resource Acquisition Is Initialization)#include<iostream>#include<thread&amp

Arm NN Software developer kit The first release will support Caffe, with TensorFlow arriving soon after, and other neural network frameworks added subsequently. Arm NN will take networks from these f...

RPN 解析CNN目标检测（一）：Faster RCNN详解Object detection using Faster R-CNN

本文以训练一个简单的图像分类器为主线，讲述从数据准备->训练->验证->预测->模型转换->部署到Android手机整个流程。1 数据准备->训练->验证->预测数据准备->训练->验证->预测，这部分可参考tensorflowClassification，其讲述了两种训练图像分类器的方式。 需要注意的是mobilen...

SSD深度学习相关的目标检测方法也可以大致分为两派： 需要region proposal的，如R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN； 端到端（End-to-End）无需区域提名的，如YOLO、SSD。检测与分类的关系SSD是在精度和效率方面都较为不错的检测算法。 SSD中检测问题是转换为分类问题来处理的。分类问题往往是预测出图片中物...

反向传播Backpropagation图1 在构造神经网络的时候我们需要知道如何进行训练。反向传播是常用的用来训练神经网络的技术。总览本文以一个三层的神经网络来说明反向传播：有两个神经元的输入层有两个神经元的隐层有单个神经元的输出层图2 权重神经网络的训练就是找到最佳的权重使得预测误差最小。权重通常用一些随机数来进行初始化。然后再用反向传播不断地更新...