m0_60341379的博客

torch模型的保存和加载

仔细剖析torch框架

torch 分类框架

服务器下安装torch环境，亲测十分高效

(4条消息) Batch Normalization（BN）超详细解析_越前浩波的博客-优快云博客https://blog.youkuaiyun.com/weixin_44023658/article/details/105844861?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163569418916780261923067%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257

研习U-Net - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/44958351

深度学习图像数据增广方法总结 - 灰信网（软件开发博客聚合） (freesion.com)https://www.freesion.com/article/337654380/#1_Data_Augmentation_7

(1条消息) Pytorch常用API汇总(持续更新)_Elijah_0的博客-优快云博客_pytorch的apihttps://blog.youkuaiyun.com/qq_49134563/article/details/108200828?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163505057316780269869595%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522

人工智能--CV视觉方向详细知识体系总结（2021新）_柏拉图工作室-AI学科-优快云博客_cv人工智能本文专注整理一些有关计算机视觉的知识体系，这不是最终版，会不定期的更新。整理的CV知识体系主要包括基础知识，工具，图像分类，目标检测，图像分割，目标跟踪，人脸识别，推荐书籍以及一些常见面试题目，包含了作为一个CV工程师在开发工作学习中需要用到或者可能用到的绝大部分知识。千里之行始于足下，希望大家根据自己的薄弱点，查缺补漏，根据自己感兴趣的方面多学习，学的精通一点，从现在开始行动起来。路漫漫其修远兮，吾将

〖TensorFlow2.0笔记23〗TensorFlow2.0学习笔记总结!_布衣小张-优快云博客https://blog.youkuaiyun.com/abc13526222160/article/details/101938410?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163495274516780264092355%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall

目录一、Inception V1二、Inception V2提升网络性能最直接的办法就是增加网络深度和宽度，深度指网络层次数量、宽度指神经元数量。但这种方式存在以下问题：（1）参数太多，如果训练数据集有限，很容易产生过拟合；（2）网络越大、参数越多，计算复杂度越大，难以应用；（3）网络越深，容易出现梯度弥散问题（梯度越往后穿越容易消失），难以优化模型。一、Inception V1最原始Inception的基本结构：然而这个Inception原始版本，所有的卷积核都在上一.

语义分割实例

目录数据的收集和预处理数据的采集和标注（选择单种或多种数据完成任务，是否需要进行预处理）数据的尺寸和我们要完成的任务有关系模型选择什么样的模型最适合完成任务对多个模型的性能进行预判模型的训练和优化参数调优结构调优模型部署模型性能的提升通过加深网络结构leNet(7层)->AlexNet(8层)->B=VGG(16或19层)->mobileNet(28层)模型的宽度和性能模型的特征重用，模型的效率残差网络的改进（多分支d...

深度学习模型大小与模型推理速度的探讨_Tom Hardy的博客-优快云博客作者丨田子宸@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/411522457编辑丨极市平台导读本文对衡量深度学习模型大小的一些常用指标，如计算量、参数量...https://blog.youkuaiyun.com/qq_29462849/article/details/120520918...

微信正文链接：https://mp.weixin.qq.com/s/nknW1.FLOPs和Params计算1.1概念理解FLOPS：注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。计算公式：对卷积层：(K_h * K_w * C_in * C_out) * (H_out * W_out)对全连接层：C_in * C_outFLOPs：注意s小写，是floating poi

深度可分离卷积其实是一种可分解卷积操作（factorized convolutions）。其可以分解为两个更小的操作：depthwise convolution 和 pointwise convolution。深度卷积与标准卷积网络不一样的是，这里会将卷积核拆分成单通道形式，在不改变输入特征图像的深度的情况下，对每一通道进行卷积操作，这样就得到了和输入特征图通道数一致的输出特征图。如上图，输入12123 的特征图，经过5513的深度卷积之后，得到了88*3的输出特征图。输入和输出的维度是不变

神经网络在反向传播过程中要不断地传播梯度，而当网络层数加深时，梯度在逐层传播过程中会逐渐衰减，导致无法对前面网络层的权重进行有效的调整。残差网络中，加入了short connections 为梯度带来了一个直接向前面层的传播通道，缓解了梯度的减小问题。从前后向信息传播的角度来看何恺明等人从前后向信息传播的角度给出了残差网路的一种解释：在前向传播时，输入信号可以从任意低层直接传播到高层。由于包含了一个天然的恒等映射，一定程度上可以解决网络退化问题。反向传播时，错误信号可以不经过任何中间权重矩阵变换直接传播到.

KMeans是数据挖掘十大算法之一，在数据挖掘实践中，我们也常常将KMeans运用于各种场景，因为它原理简单、易于实现、适合多种数据挖掘情景。如上图所示，数据样本用圆点表示，每个簇的中心点用叉叉表示：(a)刚开始时是原始数据，杂乱无章，没有label，看起来都一样，都是绿色的。(b)假设数据集可以分为两类，令K=2，随机在坐标上选两个点，作为两个类的中心点。(c-f)演示了聚类的两种迭代。先划分，把每个数据样本划分到最近的中心点那一簇；划分完后，更新每个簇的中心，即把该簇的...

包含三个部分：生成，判别，对抗生成和判别是两个独立的模块生成器负责依据随机向量产生内容这些内容可以是图片，文字，也可以是音乐，取决于你想要生成什么判别器负责判断接收到的内容是否是真实的通常会给出一个概率代表着内容的真实程度两者使用何种网络并没有规定擅长处理图像的CNN，常见的全连接，只要能完成相应的功能就可以接下来是对抗这指的是GAN的交替训练过程以图像生成为例先让生成器产生一些假的图片和收集到的真图像一起交给判别器让它学习区分两者给真实的高分给假

如何设计一个神经网络模型达到某种效果? - 知乎上海交大MVIG实验室本科招新（深度学习，计算机视觉），面向发表CVPR/ICCV/NIPS今天看到这个新闻，里面有…https://www.zhihu.com/question/53787208

梯度的本意是一个向量，表示一个函数在该点处的方向导数沿着该方向取得最大值，即函数在该点出沿着该方向变化最快，变化率最大

【公开课】斯坦福李飞飞教授最新cs231n计算机视觉经典课程_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1TJ411d7b7?p=16

如何解决神经网络训练时loss不下降的问题 | AI柠檬 (ailemon.net)https://blog.ailemon.net/2019/02/26/solution-to-loss-doesnt-drop-in-nn-train/

(1条消息) 损失函数（Loss Function）在实际应用中如何合理设计_BGoodHabit的博客-优快云博客_如何设计损失函数https://blog.youkuaiyun.com/BGoodHabit/article/details/106455284?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163419867916780262534394%2522%252C%2522scm%2522%253A%252220140713.1301023

接着记录tensorflow2.0的知识。更新到最新的版本：pip install --upgrade tensorflowpip install --upgrade tensorflow-gpu查看版本号：import tensorflow as tfprint("Tensorflow version:",tf.__version__)print("Eager execution is ",tf.executing_eagerly())在tensorflow2.0的

目录tensorflow1.0和tensorflow2.0比较tensorflow1.0静态图机制，延时执行机制,优点是代码运行效率高，便于优化。a = tf.constant(2,name = "input_a") //构建阶段b = tf.constant(3,name = "input_b")c = tf.add(a,b,name = "add_c")sess = tf.Session() //执行阶段print(sess.run(