FlyDremever

MobileNet 是基于(`depthwise separable convolutions`)**深度可分离卷积**，这是一种卷积的分解形式，它将一个标准卷积分解为(`depthwise convolution`)==深度卷积==和( `pointwise convolution`)==点卷积==的1×1卷积。深度卷积对每个输入通道应用一个滤波器。点态卷积然后应用一个1×1的卷积来组合输出的深度卷积

spp net 的学习笔记

学习目标：Context-Based Parking Slot Detection With a Realistic Dataset实现车位检测检测效果论文理解配置环境：安装包anacondatensorflow-gpu 1.4tensorflow-ioopencvshapelymatplotlib数据集数据集地址代码地址提示：这里可以添加计划学习的时间例如：周一至周五晚上 7 点—晚上9点周六上午 9 点-上午 11 点周日下午 3 点-下午 6 点

停车位检测算法总结Context-Based Parking Slot Detection With a Realistic Dataset提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录停车位检测算法总结Context-Based Parking Slot Detection With a Realistic Dataset前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学

#include<iostream>#include<vector>#include<algorithm>using namespace std; /* 左上角坐标和右下角坐标，有的给出左上角坐标和宽高 原理是一样的 */typedef struct Bbox{ int x1; int y1; int x2; int y2; float score;}Bbox;/* 计算iou */float

深度学习网络基础——感受野什么是感受野感受野指的是特征图上的某个点在输入空间所受影响的区域。一个感受野可以用中心位置(center location)和大小(size)来表征。感受野的计算参考blog1、首先计算卷积后特征图的尺寸Nout=⌊Nin+2p−ks⌋+1N_{out} = \lfloor \frac{N_{in}+2p -k}{s}\rfloor+1 Nout​=⌊sNin​+2p−k​⌋+1其中：NoutN_{out}Nout​ ：输出特征图尺寸NinN_{in}Nin​ ：

深度学习网络基础—GoogLeNet 学习笔记引言在过去的三年里（2014年），主要由于深度学习的进步，更具体地说是卷积网络的发展，图像识别和目标检测的质量以惊人的速度发展。这些进展不仅仅是更强大的硬件、更大的数据集和更大的模型的结果，而且主要是新想法、算法和改进的网络架构的结果。主要贡献前瞻性的关注深度学习算法在移动设备上的实用性提出 Inception 结构，人为构建稀疏连接，引入多尺度感受野和多尺度融合使用 1∗11*11∗1 卷积层进行降维，减少计算量使用均值池化取代全连接层，大幅度

文章目录前言一、前提准备1、vs2019安装2、cuda下载安装3、cudnn 的下载安装4、TensorRT 的下载二、使用步骤1.引入库2.读入数据总结前言本文记录一下自己在win10上安装TensorRT的过程。提示：一、前提准备1、vs2019安装2、cuda下载安装3、cudnn 的下载安装4、TensorRT 的下载示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import num..

使用YOLOV3训练自己的数据集1、下载源码YOLOv3 github2、标注数据集3、将数据集放入代码目录中其中，Annotations 放置 标注文件 xml, 和 JPEGImages 为训练图片。4、分割数据集创建make_txt.py文件，放到和data的同级目录下。# -*- coding:utf-8 -*import osimport randomtrainval_percent = 0.1train_percent = 0.9xmlfilepath = '

Pytorch学习——断点续训1、保存断点模型状态 for epoch in range(starting_epoch, parse.epochs): for step, (x, y) in enumerate(train_loader): ... if epoch % 1 == 0: #就是在保存模型的时候记录当前的，模型信息 checkpoint checkpoint = {

张量的索引与切片索引方式#[B,C,H,W]a = torch.tensor([ [[[ 1, 2, 3],[ 4, 5, 6],[ 7, 8, 9]], [[10,11,12],[13,14,15],[16,17,18]], [[19,20,21],[22,23,24],[25,26,27]]], [[[28,29,30],[31,32,33],[34,35,36]],

Pytorch学习笔记 — 基础数据结构torch.Tensor是一个多维矩阵，其中包含单个数据类型的元素,使用CPU和GPU及其变体定义了10种张量类型，如下所示：Data typedtypeCPU TensorGPU Tensor32位浮点torch.float32 or torch.floattorch.FloatTensortorch.cuda.FloatTensor64位浮点torch.float64 or torch.doubletorch.Doubl

常用软件下载地址（备忘，便于自己找）1、pycharmpython的集成开发环境下载链接有社区版和专业版，前者免费后者付费，但是校园邮箱可以白嫖后者。2、anaconda下载链接适合快速搭建机器学习深度学习的开发环境Anaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。3、更新中。。。...

文章目录前言一、下载源码,配置环境二、训练测试1.训练命令2.测试总结前言提示：在PolyLaneNet Lane Estimation via Deep Polynomial Regression这篇论文中作者实现了实现使用深度回归的方式预测车道线多项式的系数,作者并提供了代码和数据集供复现论文结果论文翻译源代码提示:一、下载源码,配置环境在上面的链接中克隆代码到本地.使用anaconda配置环境,anaconda还是比较简单的.pip install -r requiremen

tf.tile()函数原型tf.tile(input, multiples, name=None)参数说明input ： 张量。 一维或更高multiples： 张量。 必须是以下类型之一：int32，int64。 一维长度必须与输入中的维度数相同name ： A name for the operation (optional).函数说明根据multiples张量复制 input 产生新的张量。 multiples 中指定 input 中每一个维度的复制次数a = tf

TensorFlow 2.0 简单车牌识别说明：使用tensorflow2 训练模型，然后冻结模型，使用opencv 的 dnn 模块进行推断。这只是个简单的demo,本质上就是个分类模型。主要工作还是在车牌字符的分割。在推断部分只要主意好图片的格式就好。GitHub1、tensorflow 训练模型（1）数据集准备使用 百度 ai studio 上提供的车牌数据集部分数据集图片（图片命名还是比较乱的）：（2）数据集处理data_path = 'E:\\code\\tf\\proj\\

正则化方法在机器学习和深度学习中，正则化的最大作用就是防止过拟合，提高模型的泛化性能，具体的方式就是在原来的损失函数中加入惩罚因子。解决方式：增加数据集减少特征，留下重要的，具有普遍的特征惩罚不重要的特征。具体的一些实现方式数据增强正则化技术DropoutEarly Stopping正则化L2正则化L2 正则化就是在损失函数后面加上L2 正则化项:λ2n∑i=1nwi2\frac{\lambda}{2n}\sum_{i=1}^nw^2_i2nλ​i=1∑n​wi2​L2

线性回归线性回归，就是通过给定的数据学习得到一个线性模型以尽可能准确的预测实值的输出。基本形式：f(x)=w1x1+w2x2+⋅⋅⋅+wnxn+bf(x) = w_1x_1+w_2x_2+···+w_nx_n + bf(x)=w1​x1​+w2​x2​+⋅⋅⋅+wn​xn​+b一般用向量表示：f(x)=WTX+Bf(x) = W^TX + Bf(x)=WTX+B 其中W和BW和BW和B 是待学习的参数。一个简单的例子：#import tensorflow as tfimport nump

Faster R-CNN:Towards Real-Time ObjectDetection with Region Proposal NetworksShaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun（主要用于自己学习）摘要： 最先进的目标检测网络依赖于区域建议算法来假设目标位置。例如SPPnet [1] 和Fast R-CNN [2] 等算法，虽然缩短了检测网络的运行时间，但是也暴露出区域建议方法的计算瓶颈。在本文的工作中，引入了一个区

机器学习——性能度量之ROC与AUC      学习器对测试样本的评估结果一般为一个实值或概率，设定一个阈值，大于阈值为正例，小于阈值为负例，因此这个实值的好坏直接决定了学习器的泛化性能，若将这些实值排序，则排序的好坏决定了学习器的性能高低。ROC(全称“受试者工作特征”)曲线正是从这个角度出发来研究学习器的泛化性能，ROC是一个用于度...

TensorFlow2.X结合OpenCV 实现手势识别数据集

Tensorflow2.x之使用自己的数据集训练模型Tensorflow内置了许多数据集，但是实际自己应用的时候还是需要使用自己的数据集，这里TensorFlow 官网也给介绍文档，官方文档。这里对整个流程做一个总结（以手势识别的数据集为例）。1、 收集手势图片方法多种多样了。我通过摄像头自己采集了一些手势图片。保存成如下形式，以同样的形式在建立一个测试集，当然也可以不弄，在程序里处理...

训练指标输出1. 使用TensorBoard2. 使用History类TensorBoradTensorBoard的Scalars可以可视化这些指标使用步骤：记录训练中的指标,需要执行以下操作：创建KerasTensorBoard回调指定日志目录将TensorBoard回调传递Keras的Model.fit()回调函数：tf.keras.callbacks.Tensor...

Tensorflow2.0版本的模型保存，和opencv c++模型导入由于一个小项目的需求，需要使用C++的接口调用python环境下使用Tensorflow 2.0版本训练好的模型。我想了两种方式：使用 Tensorflow 2. 0 的 C++ API 。（我觉得可行，在源码编译的最后一部，由于误操作系统崩了…,后续会继续尝试）使用opencv dnn 模块提供的 API接口...

1 NN-SVGhttp://alexlenail.me/NN-SVG/2 PlotNeuralNethttps://github.com/HarisIqbal88/PlotNeuralNet3 ConvNetDrawhttps://cbovar.github.io/ConvNetDraw/4 Draw_Convnethttps://github.com/gwding/draw_...

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

opencv 真的是安装无数次了，每次都是去网上找别人的安装教程，这次也自己总结一下吧，下次再装就不用找了

安装 anaconda后 终端出现 base在linux 下安装 anaconda3 ，打开终端后，命令行开头就出现 base。看着极其不爽。使用下面的命令就可以去掉：conda deactivate或conda config --set auto_activate_base false...

anaconda历史版本下载地址anaconda历史版本下载地址

sklearn.model_selection.train_test_split1、函数原型  sklearn.model_selection.train_test_split(*arrays, **options)2、函数功能   train_test_split（）是sklearn.cross_validation模块中用来随机划分训练集和测试集将数组或矩阵拆分为随机训练子集和测试子集...