qq_15751687的博客

介绍  关于PaddleOCR的c++版本调用，网上的资料还是蛮多的，官方教程也算详细，不过多数教程貌似对应的paddleOCR或者paddlepaddle版本比较低了，所以在这里还是记录一下自己安装的过程。一. 准备VS2019社区版CMake 3.0+二. 配置2.1 PaddlePaddle C++ 预测库  首先需要下载PaddlePaddle的C++预测库，官方已经提供了很多编译好的库，直接找到需要的版本就可以了，官方链接在这里。我需要的是windows上CPU版本的库，所以选择

  Dropout技术时常被提及，但更多的出现在FC层，下面文章是我翻译的一篇关于卷积层实现dropout的文章，虽然我也不觉得这篇文章提到的方法一定很好用，但是里面关于dropout技术的相关介绍还是值得看一看的。介绍  近年来，深度卷积神经网络蓬勃发展，显著的提升了各种视觉任务性能。CNN的成功很大程度上是因为他是由多个非线性隐含层构成的结构，这些隐含层包含数百万个参数，因此能够学习输入输出之间的复杂关系。然而，在训练数据有限的情况下，很可能出现过拟合，导致性能下降。  在之前的文献中，已经提出了

什么是量化  量化是将深度学习模型参数（weights, activations和bias）从较高浮点精度转换到较少位表示的过程。为什么需要量化  可以将模型大小压缩4倍，如果TF核心模型大小为40M，则可以减小到10M。模型尺寸的减小使模型更加轻巧，从而减小了计算量，所需的内存更小，从而减小了延迟。量化后模型：占用更小的空间在带宽较低的网络上有更快的下载时间占用较少的内存，使模型拥有更快的推断速度，降低功耗对精度有一定的影响量化有哪些类型目前有两种类型的量化应用于深度学习模型：

一、简介  本文主要对目前常用加速卷积神经网络的方法做一个概述。  全连接层(Fully Connected Layer)是造成神经网络占用大量内存的原因，但是他很快；卷积层消耗了大部分算力，虽然参数更少。事实上卷积非常需要算力，这也是我们需要如此多的算力来训练网络的原因。  目前有多种加速卷积同时不严重影响模型精度的方法。在这片博客中，我们主要介绍下面几种：Factorization/Decomposition of convolution’s kernelsBottleneck Layers

  生成对抗网络(GANs)是深度学习研究和开发中最活跃的领域之一，因为它们具有不可思议的生成合成结果的能力。在这个博客中，我们将通过一个具体的例子来构建基础的GANs。  GANs是深度学习研究和开发最活跃的领域，因为它们具有不可思议的生成合成结果的能力。在这篇文章中，我们将会搭建一个简单的GANs。接下来会从以下几个方面进行讲解：GAN工作的基本思想实现一个基于GAN模型，从一个简单的分布中产生数据可视化和分析GAN的不同方面，以更好地理解幕后发生的事情。生成对抗网络（GAN）  GAN