<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[loveliuzz的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/loveliuzz</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; loveliuzz]]></copyright><item><title><![CDATA[深度学习种 数据shuffle对模型性能的影响]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/113877365</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/113877365</guid><author>loveliuzz</author><pubDate>Sat, 20 Feb 2021 10:18:03 +0800</pubDate><description><![CDATA[博客部分内容参照链接：https://blog.youkuaiyun.com/g_b_l/article/details/109600536

相同的两个目标检测实验，模型进行shuffle和未进行shuffle时训练的loss图，发现：未经shuffle的loss曲线出现周期性的震荡，测试后模型的泛化效果也很差。如下图1（未shuffle）和图2（shuffle）所示：



                                   ...]]></description><category></category></item><item><title><![CDATA[ncnn在win10+VS2013平台编译]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/109246914</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/109246914</guid><author>loveliuzz</author><pubDate>Fri, 23 Oct 2020 17:43:24 +0800</pubDate><description><![CDATA[1、编译protobuf3.4.0

从地址https://github.com/google/protobuf/archive/v3.4.0.zip 下载protobuf3.4.0并解压，打开VS2013 x64 Native Tools Command Prompt (本机工具命令提示符)。



在命令行中移动到解压出来的protobuf-3.4.0目录，然后执行以下命令，出现以下界面安装成功：


&gt; cd &lt;protobuf-root-dir&gt;
&gt; mkdir build-]]></description><category></category></item><item><title><![CDATA[Pytorch数据加载——Dataset和DataLoader详解]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/108756253</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/108756253</guid><author>loveliuzz</author><pubDate>Wed, 23 Sep 2020 17:52:46 +0800</pubDate><description><![CDATA[一、可迭代对象与迭代器简介



可迭代对象（iterable）：实现了 __iter__ 方法，该方法返回一个迭代器对象；
	迭代器（iterator）:迭代器含有 __iter__ 和 next 方法，当调用 __iter__ 返回迭代器自身，当调用 next() 方法返回容器下一个值；
	二者关系：使用 iter(可迭代对象) 转换为 (迭代器).
二、pytorch输入数据pipline“三步走”策略

一般pytorch的数据加载到模型的操作顺序如下：

1、创建一个 Dataset 对象，必须实]]></description><category></category></item><item><title><![CDATA[Ubuntu18.04下安装配置Caffe-SSD-GPU版本及遇到问题解决办法]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/105989091</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/105989091</guid><author>loveliuzz</author><pubDate>Fri, 08 May 2020 10:03:26 +0800</pubDate><description><![CDATA[主要参照以下的博客内容：

https://blog.youkuaiyun.com/CAU_Ayao/article/details/84000151

https://blog.youkuaiyun.com/jancis/article/details/102824091

https://blog.youkuaiyun.com/wudi_X/article/details/80012764
...]]></description><category></category></item><item><title><![CDATA[tensorflow框架到caffe框架的模型转换]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/105783224</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/105783224</guid><author>loveliuzz</author><pubDate>Mon, 27 Apr 2020 10:46:54 +0800</pubDate><description><![CDATA[本文参考以下系列内容：

tensorflow2caffe(1) : caffemodel解析，caffemodel里面到底记录了什么？

tensorflow2caffe(2) : 如何在tensorflow中取出模型参数

tensorflow2caffe(3) : 如何将tensorflow框架下训练得到的权重转化为caffe框架下的权重参数

tensorflow2caffe(4) : c...]]></description><category></category></item><item><title><![CDATA[Caffe在win10+VS2013+GPU (cuda8.0+cudnn5.1) /CPU +Anaconda3-4.2.0(虚拟环境py2)+Matlab-R2014a版本编译]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/103910644</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/103910644</guid><author>loveliuzz</author><pubDate>Thu, 09 Jan 2020 16:29:00 +0800</pubDate><description><![CDATA[参考链接：https://blog.youkuaiyun.com/u011947630/article/details/81878767

0. 编译环境

操作系统：Windows10

IDE: VS2013

GPU: NVIDIA GTX 1050Ti

1、VS2013安装

官网地址：https://my.visualstudio.com/Downloads?q=Visual%20Studio%...]]></description><category></category></item><item><title><![CDATA[头部姿态估计原理及可视化]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/102716290</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/102716290</guid><author>loveliuzz</author><pubDate>Thu, 24 Oct 2019 17:12:50 +0800</pubDate><description><![CDATA[一、简述

   头部姿态估计（Head Pose Estimation ）：通过一幅面部图像来获得头部的姿态角. 在3D 空间中，表示物体的旋转可以由三个欧拉角(Euler Angle)来表示：分别计算 pitch(围绕X轴旋转)，yaw(围绕Y轴旋转) 和 roll(围绕Z轴旋转) ，分别学名俯仰角、偏航角和滚转角，通俗讲就是抬头、摇头和转头。百闻不如一见，上示意图：

   ...]]></description><category></category></item><item><title><![CDATA[PyTorch学习（基础）——  Tensor & autograd]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/101216030</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/101216030</guid><author>loveliuzz</author><pubDate>Thu, 26 Sep 2019 11:05:09 +0800</pubDate><description><![CDATA[几乎所有的深度学习框架背后的设计核心都是：张量和计算图。

一、Tensor

    在pytorch中，Tensor（一般可译作“张量”）是重要的数据结构，torch.Tensor是存储和变换数据的主要工具，可认为是一个高维数组，它可以是一个数（标量）、一维张量（向量）、二维张量（矩阵）或更高维的张量。Tensor和numpy中的多维数组ndarray很类似，但Tensor可以使用GP...]]></description><category></category></item><item><title><![CDATA[PyTorch学习（三）—— DataLoader]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/100705465</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/100705465</guid><author>loveliuzz</author><pubDate>Tue, 10 Sep 2019 19:13:47 +0800</pubDate><description><![CDATA[一、Manual data feed



二、DataLoader






import torch
import numpy as np
from torch.autograd import Variable
from torch.utils.data import Dataset, DataLoader

class DiabetesDataset(Dataset):
    # Ini...]]></description><category></category></item><item><title><![CDATA[PyTorch学习（二）—— Linear regression、Logistic Regression、Softmax Classifier]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/100672210</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/100672210</guid><author>loveliuzz</author><pubDate>Tue, 10 Sep 2019 16:36:34 +0800</pubDate><description><![CDATA[一、Linear regression（in PyTorch way）

        












import torch
from torch.autograd import Variable

# data define(3*1)
x_data = Variable(torch.Tensor([[1.0], [2.0], [3.0]]))
y_data = ...]]></description><category></category></item><item><title><![CDATA[PyTorch学习（一）——Linear Model、Gradient Desent、Back propogation]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/100561850</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/100561850</guid><author>loveliuzz</author><pubDate>Thu, 05 Sep 2019 17:34:51 +0800</pubDate><description><![CDATA[一、Linear Model











1、Mde和lLoss函数的构建



2、计算权重w的损失loss



3、画出w和mse的关系图



4、全部整体的代码


import matplotlib.pyplot as plt
import numpy as np

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# ou...]]></description><category></category></item><item><title><![CDATA[softmax loss及其变种]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/98874552</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/98874552</guid><author>loveliuzz</author><pubDate>Thu, 08 Aug 2019 16:05:24 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[A-Softmax(SphereFace)的总结及与L-Softmax的对比]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/93494206</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/93494206</guid><author>loveliuzz</author><pubDate>Mon, 24 Jun 2019 16:34:25 +0800</pubDate><description><![CDATA[目录

1. A-Softmax的推导

2. A-Softmax Loss的性质

3. A-Softmax的几何意义

4. 源码解读

  A-Softmax的效果

  与L-Softmax的区别

【引言】SphereFace在MegaFace数据集上识别率在2017年排名第一，用的A-Softmax Loss有着清晰的几何定义，能在比较小的数据集上达到不错的效果。这个是他们总结...]]></description><category></category></item><item><title><![CDATA[生成对抗网络（Generative Adversarial Nets）——GAN]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/79938566</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/79938566</guid><author>loveliuzz</author><pubDate>Mon, 17 Dec 2018 18:10:28 +0800</pubDate><description><![CDATA[目录

一、生成对抗网络的定义及优势

二、生成对抗网络原理深入理解

GAN基础思想：

实际中的GAN:

三、生成对抗网络的训练过程

一、生成对抗网络的定义及优势







GAN 主要包括了两个部分，即生成器 (generator)与判别器 (discriminator)。

(1)生成器主要用来学习真实图像分布从而让自身生成的图像更加真实，以骗过判别器。

(2)判别器则需要对接收...]]></description><category></category></item><item><title><![CDATA[TensorFlow tf.data 导入数据（tf.data官方教程）]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/84398179</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/84398179</guid><author>loveliuzz</author><pubDate>Fri, 23 Nov 2018 17:03:07 +0800</pubDate><description><![CDATA[原文：https://blog.youkuaiyun.com/u014061630/article/details/80728694 

导入数据（Reading data）

TensorFlow读取数据的四种方法：tf.data、Feeding、QueueRunner、Preloaded data。

本篇的内容主要介绍 tf.data API的使用

目录

导入数据（Reading data）

1....]]></description><category></category></item><item><title><![CDATA[TensorFlow 数据读取的四种方法总结]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/84395263</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/84395263</guid><author>loveliuzz</author><pubDate>Fri, 23 Nov 2018 16:17:07 +0800</pubDate><description><![CDATA[读取数据（Reading data）

====================推荐：如何构建高性能的输入 pipeline====================

TensorFlow输入数据的方法有四种：

1、tf.data API：可以很容易的构建一个复杂的输入通道(pipeline)（首选数据输入方式）（Eager模式必须使用该API来构建输入通道）
2、Feeding：使用Pytho...]]></description><category></category></item><item><title><![CDATA[深入理解反卷积]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/84071246</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/84071246</guid><author>loveliuzz</author><pubDate>Wed, 14 Nov 2018 18:07:37 +0800</pubDate><description><![CDATA[参考链接：https://www.zhihu.com/question/48279880/answer/525347615

参考链接：https://blog.youkuaiyun.com/itleaks/article/details/80336825

什么是反卷积？

上采样(Upsample)
在应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后，输出的尺寸往往会变小，...]]></description><category></category></item><item><title><![CDATA[两种常用的全参考图像质量评价指标——峰值信噪比（PSNR）和结构相似性（SSIM）]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/83862412</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/83862412</guid><author>loveliuzz</author><pubDate>Thu, 08 Nov 2018 15:56:58 +0800</pubDate><description><![CDATA[原文：https://blog.youkuaiyun.com/zjyruobing/article/details/49908979 

1.PSNR（Peak Signal to Noise Ratio）峰值信噪比：


MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error），H、W分别为图像的高度和宽度；
PSNR的单位是dB，数值越大表示失真越小。n为每像素的比特数，一般的灰度...]]></description><category></category></item><item><title><![CDATA[导数，偏导数，方向导数与梯度的定义与联系]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/83543016</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/83543016</guid><author>loveliuzz</author><pubDate>Tue, 30 Oct 2018 17:37:58 +0800</pubDate><description><![CDATA[参考博客https://blog.youkuaiyun.com/baishuo8/article/details/81408369和知乎https://www.zhihu.com/question/36301367

一、导数（derivative）





导数，是我们最早接触的一元函数中定义的，可以在 xy 平面直角坐标系中方便的观察。当 Δx→0时，P0处的导数就是因变量y在x0处的变化率，反映因变量...]]></description><category></category></item><item><title><![CDATA[深度学习——dropout理解]]></title><link>https://blog.youkuaiyun.com/loveliuzz/article/details/82912349</link><guid>https://blog.youkuaiyun.com/loveliuzz/article/details/82912349</guid><author>loveliuzz</author><pubDate>Sun, 30 Sep 2018 18:04:53 +0800</pubDate><description><![CDATA[文章转载自：https://blog.youkuaiyun.com/u012762419/article/details/79534085

1.dropout解决的问题

深度神经网络的训练是一件非常困难的事，涉及到很多因素，比如损失函数的非凸性导致的局部最优值、计算过程中的数值稳定性、训练过程中的过拟合等。其中，过拟合是很容易发生的现象，也是在训练DNN中必须要解决的问题。

过拟合

我们先来讲一下什么...]]></description><category></category></item></channel></rss>