weixin_39548859的博客

Tensortorch.cat 与 torch.stacktorch.cat不会增加新的维度，原来几个维度，还是几个维度torch.stack会增加一个新的维度，让n维的tensor变成n+1维x1_torch = torch.zeros(3,1)y1_torch = torch.ones(3,1)xy_1 = torch.cat([x1_torch, y1_torch], dim = 1)xy_2 = torch.stack([x1_torch, y1_torch], dim=1)xy

1.基础理论1.1 优化算法1.1.1 从 SGD 到 Adam —— 深度学习优化算法概览(一)介绍了各个优化算法的公式发展1.1.2 一个框架看懂优化算法之异同 SGD/AdaGrad/Adam介绍各个优化算法的公式，讲的更好一点，但公式不如1.1.1准确Adam那么棒，为什么还对SGD念念不忘 (3)—— 优化算法的选择与使用策略讲了优化算法的问题，和作者的一些trick...

1 二阶段检测的代表文章faster-rcnn的好文章懒人元 faster rcnn知乎 一文读懂Faster RCNN2 检测中常用模块2.1 FPN上下文Feature Pyramid Networks for Object Detection 论文笔记对FPN的原理进行了分析，主要是论文解读。一文看尽物体检测中的各种FPN对2020年以来的各种FPN结构进行了总结对比。先记录学习中的几个问题：1、为啥yolov3的FPN结构后对应的Cnov层那么多？...

分割中的主要问题DCNNs中语义分割存在三个挑战：连续下采样和池化操作，导致最后特征图分辨率低，丢失位置信息图像中存在多尺度的物体空间不变性导致细节信息丢失deeplab v1问题的引入：关于DCNN的大量工作表明，采用端到端的训练方式，使得模型对图像的变换有着较好的不变性，但这一点却妨碍了分割任务中的定位。经过研究发现，在深度CNN中对于语义分割主要存在两个挑战：一个是重复池化与下采样使得图像的分辨率大幅降低，信息发生了丢失，不利于恢复；另一个是对图像转换的不变性影响了定位解决方案：

由于RTX3090/3080只能安装cuda11，cuda11适配的pytorch只有1.7。所以DCNv2的安装包目前还没有适配的，由于刚出较新，网上的资料相对缺乏，经过一系列踩坑，终于找到一个解决方案。我的配置：RTX3090Ubuntu 18.04cuda11.1pytorch1.7往上的解决方案有：日常填坑-DCNv2+pytorch1.7+vs2017编译我试了试该方案，报错，帖子下面有我的评论，总之尝试未果。在原版的DCNv2的讨论区有人给出了解决方案：Pytorch 1.6

安装思路一般的教程都是先装cuda再装tensorflow，但是这样很容易造成版本不匹配！！先确定tensorflow版本，由tf确定需要的cuda版本及cudnn版本，在去查看显卡驱动支不支持该cuda，不支持的话升级驱动。由tensorfow确定cudn版本的方法：安装tensorflow-gpu，安装完成后，import tensorflow，会报错，错误会提示，需要安装什么版本的c...