Vertira的博客

paddle 静态图自定义Python算子

深度学习中的分类和回归（1）

RuntimeError: (PreconditionNotMet) The third-party dynamic library (cudnn64_7.dll) that Paddle depends on is not configured correctly. (error code is 126)

1. 名词解释epoch：训练时，所有训练数据集都训练过一次。batch_size：在训练集中选择一组样本用来更新权值。1个batch包含的样本的数目，通常设为2的n次幂，常用的包括64,128,256。 网络较小时选用256，较大时选用64。iteration​：训练时，1个batch训练图像通过网络训练一次​（一次前向传播+一次后向传播），每迭代一次权重更新一次；测试时，1个batch测试图像通过网络一次​（一次前向传播）。所谓iterations就是完成一次epoch所需的ba..

类似的输出结果：Running per image evaluation...Evaluate annotation type *bbox*DONE (t=2.61s).Accumulating evaluation results...DONE (t=0.74s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.245 Average Precision (AP) @[ IoU=0.

Visualdl使用教程分4步：如何启动呢（windows和ubuntu都一样，都是在anaconda3 中启动）首先确保你已经成功安装了visualDL ，这里不在详解这里直说如何设置自己的log路径和端口，然后 启动visualDL我的路径是当前路径下vdl_log_dir ---》scalar_1的文件夹保存了log文件进入paddle环境，命令行输入visualdl --logdor ./vdl_log_dir/scalar_1 --port 8080visuald

首先，介绍图像卷积的计算过程。在计算机视觉领域，卷积核、滤波器通常为较小尺寸的矩阵，比如3×33×3、5×55×5等，数字图像是相对较大尺寸的2维（多维）矩阵（张量），图像卷积运算与相关运算的关系如下图所示，其中FF为滤波器，XX为图像，OO为结果。图1 图像卷积算子以上便是图像卷积的某一次简单操作。但是为什么用这样的方式呢？这种方式的起源来自哪里？说到起源，大家是否能想起与上图运算方式相似的图像算法？sobel算子，对这是一个图像的边缘检测算法。来看一看sobel边缘检测算..

paddledetection,推理图片格式tif格式，出现以上错误。貌似不支持tif文件格式的压缩图像。转成jpg，bmp，png就可以了。

部署环境：VS2019+cuda10.2+cmake3.17.0v2.0.0参考兼容并包的PaddleX-Inference部署方式按照官方步骤基于PaddleInference的推理-Windows环境编译下载paddleX和cuda10.2版本的paddle_inference.zip，将PaddleX中的cpp拷贝出来并新建build_out文件夹将cpp文件夹下的cmakeList.txt修改为下图，仅对下图中的几行进行修改，其它不变：完全按照下图选择进行cmake，...

PaddleDetection为目标检测库，提供了多种预训练模型和模型配置文件，根据任务需求选择现有的配置文件调整参数即可：YoloV3的优势 ，1.YOLO网络：单步的目标检测算法，适合目标的实时检测，推算速度较快。丧失部分精度，将图片端到端的进行目标检测，也引入了rcnn的Anchor框体系大幅提升mAP。因为没有进行区域采样，所以对全局信息有较好的表现，前两代网络在小目标检测上表现稍差（一般定义为像素尺寸小于32 * 32的目标或是长宽远小于原图像尺寸的0.1的目标）。但不妨碍成熟的YOLO.

飞桨PaddlePaddle-源于产业实践的开源深度学习平台飞桨致力于让深度学习技术的创新与应用更简单。具有以下特点：同时支持动态图和静态图，兼顾灵活性和效率；精选应用效果最佳算法模型并提供官方支持；真正源于产业实践，提供业界最强的超大规模并行深度学习能力；推理引擎一体化设计，提供训练到多端推理的无缝对接；唯一提供系统化技术服务与支持的深度学习平台https://www.paddlepaddle.org.cn/tutorials/projectdetail/456143...