<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Crayonshin的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weixin_42224823</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weixin_42224823]]></copyright><item><title><![CDATA[Global Sparse Momentum SGD for Pruning Very Deep Neural Networks 论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/106744717</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/106744717</guid><author>weixin_42224823</author><pubDate>Sun, 14 Jun 2020 12:57:18 +0800</pubDate><description><![CDATA[Global Sparse Momentum SGD for Pruning Very Deep Neural Networks
Introduction
这篇论文来自NIPS19，虽然做的是非结构化的剪枝，但是可以直接迁移到结构化剪枝上去做。这篇paper的方法我觉得是非常简单奏效的，作者提出了将网络中的权重动态地进行分类，在一个batch的训练中，用一阶泰勒展开来判断对一个权重进行剪枝会对最终的输出造成多少影响，对这个影响进行排序，然后将整个网络中的权重进行分类，对第一类，即造成影响较大的权重，采用常规]]></description><category></category></item><item><title><![CDATA[COCO数据集提取特定多个类并在YOLO-V3上训练]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/106282114</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/106282114</guid><author>weixin_42224823</author><pubDate>Fri, 22 May 2020 16:01:15 +0800</pubDate><description><![CDATA[本blog多处代码copy自https://blog.youkuaiyun.com/TYUT_xiaoming/article/details/102480016，主要记录自己实践中遇到的问题和自己的解决方案，按下面的流程走相信你能快乐地完成该任务~
Step 1 Prepare
Yolo-v3代码fork fromhttps://github.com/eriklindernoren/PyTorch-YOLOv3
Coco数据集需要自行下载
Step 2 提取图片和标注信息
首先运行下面的代码从原coco数据集中提取需]]></description><category></category></item><item><title><![CDATA[Proximal Mean-field for Neural Network Quantization 论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/102803082</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/102803082</guid><author>weixin_42224823</author><pubDate>Tue, 29 Oct 2019 17:18:42 +0800</pubDate><description><![CDATA[Proximal Mean-field for Neural Network Quantization
1.Background Knowledge
1.1 MRF optimization
令F={F1,…,Fm}是一组定义在集合S上的随机变量，其中Fi代表在标签集L中的一个取值fi，Fi=fi代表取值为fi的事件，（F1=f1,…,Fm=fm）代表联合事件（joint event）。假设f={...]]></description><category></category></item><item><title><![CDATA[VITAL Tracker Pytorch 代码阅读笔记]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/102671643</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/102671643</guid><author>weixin_42224823</author><pubDate>Mon, 21 Oct 2019 20:49:11 +0800</pubDate><description><![CDATA[VITAL Tracker Pytorch 代码阅读笔记
论文链接：https://arxiv.org/pdf/1804.04273.pdf
代码链接：https://github.com/abnerwang/py-Vital
1.项目结构


datasets


gnet

g_init.py
g_pretrain.py



models


moduels

model.py
sample...]]></description><category></category></item><item><title><![CDATA[BNN Pytorch代码阅读笔记]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/102615425</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/102615425</guid><author>weixin_42224823</author><pubDate>Thu, 17 Oct 2019 21:20:50 +0800</pubDate><description><![CDATA[BNN Pytorch代码阅读笔记
这篇博客来写一下我对BNN（二值化神经网络）pytorch代码的理解，我是第一次阅读项目代码，所以想仔细的自己写一遍，把细节理解透彻，希望也能帮到大家!
论文链接：https://papers.nips.cc/paper/6573-binarized-neural-networks
代码链接： https://github.com/itayhubara/Bina...]]></description><category></category></item><item><title><![CDATA[论文阅读：Co-Evolutionary Compression for Unpaired Image Translation]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/101776729</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/101776729</guid><author>weixin_42224823</author><pubDate>Mon, 30 Sep 2019 16:04:13 +0800</pubDate><description><![CDATA[论文阅读：Co-Evolutionary Compression for Unpaired Image Translation
Abstract
作者提出了一种新的协同进化方法来同时减少内存使用和FLOP。在实践中，两个图像域的生成器被编码为两个群体且协同优化来迭代地研究最重要的卷积滤波器。用参数的数量、鉴别器感知正则化和循环一致性来计算每个个体的适应度。
Method
作者指出，传统网络压缩使用...]]></description><category></category></item><item><title><![CDATA[论文阅读：Channel Pruning for Accelerating Very Deep Neural Networks]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/101147420</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/101147420</guid><author>weixin_42224823</author><pubDate>Sun, 22 Sep 2019 10:08:04 +0800</pubDate><description><![CDATA[论文链接
代码链接(caffe)
Motivation &amp; Abstract
作者指出当前的CNN加速工作分为三种：


optimized implementation （直接优化？）


量化（这个还没接触过，不过以后一定会钻研）


structured simplification 结构简化
作者的方法就属于第三种结构简化，这种方法又可以细分为三种，如下图：

图c是张量分解,即将...]]></description><category></category></item><item><title><![CDATA[论文阅读：Designing Energy-Efficient Convolutional Neural Networks using Energy-Aware Pruning]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/101037974</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/101037974</guid><author>weixin_42224823</author><pubDate>Sat, 21 Sep 2019 11:15:08 +0800</pubDate><description><![CDATA[论文链接
Motivation
Method
Experiment
Conclusion

]]></description><category></category></item><item><title><![CDATA[论文阅读：NetworkTrimming: A Data-Driven Neuron Pruning Approach towards Efﬁcient Deep Architectures]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/101018125</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/101018125</guid><author>weixin_42224823</author><pubDate>Thu, 19 Sep 2019 20:49:50 +0800</pubDate><description><![CDATA[第一次接触这个方向，很多术语都不甚熟悉，希望大家不吝赐教~文章链接
Motivation
作者在对现在主流的CNN网络进行分析后，发现CNN中的很多神经元的“表现力”很弱(low activations)，这些神经元可以被剪枝，同时网络的表现能力不会被破坏，作者提出了一个可迭代的优化方法来对这些弱神经元进行剪枝，提出了一个新的参数应用于剪枝方法： Average Percentage of Zer...]]></description><category></category></item><item><title><![CDATA[SIFT/SUR/ORB特征提取及手写最优特征点匹配]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/99354997</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/99354997</guid><author>weixin_42224823</author><pubDate>Thu, 19 Sep 2019 12:01:04 +0800</pubDate><description><![CDATA[SIFT/SUR/ORB特征提取及最优特征点匹配（除特征提取函数均为手写）

]]></description><category></category></item><item><title><![CDATA[人工智能知识点总结]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/94908016</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/94908016</guid><author>weixin_42224823</author><pubDate>Fri, 12 Jul 2019 19:36:31 +0800</pubDate><description><![CDATA[人工智能知识点总结


什么是人工智能？它的研究目标是什么
它是计算机科学的一个分支，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它的研究目标是人工智能的目标是提出建造人工智能系统的新技术、新方法和新理论,并在此基础上研制出具有智能行为的计算机系统。


人工智能的研究领域主要包括？它们分别的具体研究内容是？
–机器人
–语言识别
–图像识别
–自然语言...]]></description><category></category></item><item><title><![CDATA[计算机网络知识点总结]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/94564499</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/94564499</guid><author>weixin_42224823</author><pubDate>Wed, 03 Jul 2019 15:06:20 +0800</pubDate><description><![CDATA[计算机网络知识点总结TCP/IP五层网络模型物理层数据链路层网络层传输层应用层
TCP/IP五层网络模型
物理层
物理层为上层协议提供了一个传输数据的可靠的物理媒介，考虑的是如何将采集的信号转化为二进制数据，用什么介质传播。
数据链路层
数据链路层在物理层的基础上向网络层提供服务，要做的是如何将数据组合成数据块，在数据链路层中称为帧，帧是数据链路层的传送单位；该层的作用包括：物理地址寻址、数据的成...]]></description><category></category></item><item><title><![CDATA[线性代数知识点总结]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/94436758</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/94436758</guid><author>weixin_42224823</author><pubDate>Tue, 02 Jul 2019 17:19:25 +0800</pubDate><description><![CDATA[线性代数知识点总结
行列式

行列式和它的转置行列式相等
对换行列式的两行（列），行列式变号
如果行列式中有两行（列）相同或成比例，那么此行列式等于0
行列式的某一行（列）中所有的元素都乘同一数k，等于用数k乘此行列式
把行列式的某一行（列）的各元素乘同一数然后加到另一行（列）对应的元素上去，行列式不变
行列式等于它的任一行（列）的各元素与其对应的各元素与其对应的代数余子式乘积之和
行列式某一行（...]]></description><category></category></item><item><title><![CDATA[数据结构之图]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/93732390</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/93732390</guid><author>weixin_42224823</author><pubDate>Fri, 28 Jun 2019 11:21:37 +0800</pubDate><description><![CDATA[数据结构之图

]]></description><category></category></item><item><title><![CDATA[数据结构之树]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/93631652</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/93631652</guid><author>weixin_42224823</author><pubDate>Wed, 26 Jun 2019 13:23:10 +0800</pubDate><description><![CDATA[数据结构之树树的定义树的存储结构双亲表示法孩子表示法孩子兄弟表示法二叉树的定义二叉树的分类与性质分类性质二叉树的存储结构二叉树的遍历☆前序遍历中序遍历后序遍历层序遍历线索二叉树赫夫曼树平衡二叉树
树的定义

树（Tree）是n个节点的有限集。n=0时称为空树，在任意一棵非空树中：


有且仅有一个特定的称为**根（Root）**的节点；
当n &gt; 1时，其余结点可分为m（m &gt; 0）个...]]></description><category></category></item><item><title><![CDATA[数据结构之串]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/93631124</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/93631124</guid><author>weixin_42224823</author><pubDate>Tue, 25 Jun 2019 16:48:31 +0800</pubDate><description><![CDATA[数据结构之串
串（string）是由零个或多个字符组成的优先序列。 串同样有顺序和链式两种存储结构，在顺序存储结构中，通常用’ \0 '来表示串值的终结。串的概念很easy，这里主要记一下串的KMP模式匹配算法。
这个视频讲KMP算法讲的非常好：

https://www.bilibili.com/video/av47471886?from=search&amp;seid=166271501348...]]></description><category></category></item><item><title><![CDATA[数据结构之栈与队列]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/93524579</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/93524579</guid><author>weixin_42224823</author><pubDate>Mon, 24 Jun 2019 21:55:34 +0800</pubDate><description><![CDATA[数据结构之栈与队列栈的定义抽象数据类型栈的顺序存储结构栈的链式存储结构队列的定义抽象数据类型队列的顺序存储结构队列的链式存储结构
栈的定义
栈(stack)是限定仅在表尾进行插入和删除操作的线性表。 用白话说：先进后出，后进先出，谁进的晚，谁出的早。
抽象数据类型
ADT 栈（Stack）
Data
Operation：
  InitStack(*S);
  StackEmpty(S);
  Cl...]]></description><category></category></item><item><title><![CDATA[数据结构之线性表]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/93513740</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/93513740</guid><author>weixin_42224823</author><pubDate>Mon, 24 Jun 2019 20:49:36 +0800</pubDate><description><![CDATA[数据结构之线性表写在前面Concept抽象数据类型顺序存储结构链式存储结构静态链表循环链表双向链表
写在前面
记一些数据结构复习过程中的随笔。我主要看的是程杰的大话数据结构和清华的那本数据结构。
Concept
What is 线性表？
线性表：零个或多个数据元素的有限序列。
ps：这里的数据元素，可以由若干个数据项组成，例如由学生信息组成的线性表，每个学生信息结构体被认为线性表中的一个元素。
抽...]]></description><category></category></item><item><title><![CDATA[LeetCode中级算法之动态规划]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/93316289</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/93316289</guid><author>weixin_42224823</author><pubDate>Sat, 22 Jun 2019 18:21:45 +0800</pubDate><description><![CDATA[LeetCode中级算法之排序和搜索跳跃游戏不同路径零钱兑换Longest Increasing Subsequence
跳跃游戏
Question：
给定一个非负整数数组，你最初位于数组的第一个位置。
数组中的每个元素代表你在该位置可以跳跃的最大长度。
判断你是否能够到达最后一个位置。
示例 1:
输入: [2,3,1,1,4]
输出: true
解释: 从位置 0 到 1 跳 1 步, 然后跳...]]></description><category></category></item><item><title><![CDATA[LeetCode中级算法之排序和搜索]]></title><link>https://blog.youkuaiyun.com/weixin_42224823/article/details/93198489</link><guid>https://blog.youkuaiyun.com/weixin_42224823/article/details/93198489</guid><author>weixin_42224823</author><pubDate>Sat, 22 Jun 2019 12:25:56 +0800</pubDate><description><![CDATA[LeetCode中级算法之排序和搜索颜色分类前K个高频元素
颜色分类
Question：
给定一个包含红色、白色和蓝色，一共 n 个元素的数组，原地对它们进行排序，使得相同颜色的元素相邻，并按照红色、白色、蓝色顺序排列。
此题中，我们使用整数 0、 1 和 2 分别表示红色、白色和蓝色。
注意:
不能使用代码库中的排序函数来解决这道题。
示例:
输入: [2,0,2,1,1,0]
输出: [0,0...]]></description><category></category></item></channel></rss>