Vivianyzw的博客

Abstact We present a class of efficient models called MobileNets for mobile and embedded vision applications. MobileNets are based on a streamlined architecture that uses depthwise separable convoluti...

YOLOv3: An Incremental ImprovementAbstractWe present some updates to YOLO! We made a bunch of little design changes to make it better. We also trained this new network that’s pretty swell. It’s a litt...

Pytorch官网上给出了一个关于加载CIFAR10数据集的例子：主要使用了torchvision数据包，里面有一些ImageNet，CIFAR-10和MNIST等常见数据集。加载数据分成三个部分：torchvision.transforms（数据预处理）torchvision.datasets（数据集读取）torchvision.DataLoader（数据集加载）代码实现如下:import to...

Pytorch官网的例子是一个LeNet网络：import torch.nn as nnimport torch.nn.functional as Fclass Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5)...

Pytorch官网也给了训练网络实例：for epoch in range(2): # loop over the dataset multiple times running_loss = 0.0 for i, data in enumerate(trainloader, 0): # get the inputs inputs, labels =...

东风的地方1. 直接加载预训练模型在训练的时候可能需要中断一下，然后继续训练，也就是简单的从保存的模型中加载参数权重：net = SNet()net.load_state_dict(torch.load("model_1599.pkl"))这种方式是针对于之前保存模型时以保存参数的格式使用的：torch.save(net.state_dict(), "model/model_1599.pkl")...

主要引自：An overview of gradient descent optimization algorithms梯度下降主要的三种形式：1. 批梯度下降是在整个数据集上计算损失函数关于参数，然后想着梯度相反的方向更新参数，学习率来决定每次更新的量。 优点：对于凸函数可以收敛到全局最小值，非凸函数可以收敛到局部最小值。 缺点：速度慢，占内存，无法在线更新模型。2....

2.1 深度学习的理论认识：（主讲人：Sanjeev Arora）专业术语：深度网络参数 分布D的第ii次训练 ：损失函数 目标： 梯度下降：要点：优化概念形成了深度学习理论目标：通过竞争直觉的排序的定理，形成新的观点和概念。新观点的数学基础。演讲概述：优化：什么时候/怎样找到下降方案。尤其是非凸问题。 过度参数化/泛化：当参数远大于训练样本时，还有效吗？为...

1. 摘要 Abstract与传统回归不同，Grid RCNN利用全卷积结构来抓取了空间信息。设计一种多点，而非只用两个独立的点，的监督形式来编码更多的线索，为了减少具体的点的不准确推测的影响。为了充分发挥网格点的相关性的优势， 我们采用了两阶段融合侧率来融合邻网格点的特征图。网格限制的定位方法很容易拓展到不同的检测框架中。Grid RCNN是高质量的物体检测策略。和Res50的Faster ...