
深度学习
文章平均质量分 51
yangpan011
这个作者很懒,什么都没留下…
展开
-
CHECK_EQ(registry.count(type), 1) << “Unknown layer type: “ << type << “ (known types: “ << LayerTyp
在vs2013环境先,调用编译好的libcaffe项目,做深度学习模型预测时,出现类似下面的错误。CHECK_EQ(registry.count(type), 1) << "Unknown layer type: " << type<< " (known types: " << LayerTypeList() << ")";我是在vs2013下面加载了两个项目,一个是libcaffe,另外一个是我自己的工程。运行时出现上面错误,代码原创 2021-02-28 17:57:09 · 232 阅读 · 0 评论 -
深度学习人脸检测综述
深度学习在计算机视觉的应用中已经十分广泛,其效果相比于传统方法也有很大的提高。本文就人脸检测这个领域,介绍深度学习在人脸检测领域的发展。深度学习人脸检测最早的代表作之一是2015年CVPR的一篇论文《A Convolutional Neural Network Cascade for FaceDetection》,下文简称CascadeCNN。这篇文章保留了传统人脸检测方法中Cascade的概念,...转载 2018-04-25 15:31:13 · 6650 阅读 · 1 评论 -
caffe+ error: no'void caffe' member function declared in class
根据论文提供的caffe工程编译,显示如下问题:In file included from ./include/caffe/common.hpp:19:0, from ./include/caffe/blob.hpp:8, from ./include/caffe/layers/detection_loss_layer.hpp:6, from src/caffe/layers/detection_...原创 2018-06-05 20:29:27 · 3748 阅读 · 0 评论 -
'list' object has no attribute 'astype'.
在使用python处理数据,程序运行出现'list' object has no attribute 'astype'.的问题,代码如下:x_data, y_data = pickle.load(open("train.dat", "rb"))x_data = x_data.astype('float32') / 255.0y_data = y_data.astype('float32')...原创 2018-11-06 17:05:31 · 30787 阅读 · 3 评论 -
梯度下降理论推导
文章转载:https://www.jianshu.com/p/7c4fda4f1498最近一段时间关于机器学习、人工智能等话题充斥着各大社区。作为一枚热爱技术的系统工程师,我迫切想去揭开它神秘的面纱。学习的过程是辛苦的,尤其是在大学数学早就还给老师的情况下。花了一点时间恶补了下线性代数,又看了网上很多优秀的博客,总算小有收获。特此将收获总结归纳,希望大家批评指正!线性回归让...转载 2018-11-26 15:28:53 · 389 阅读 · 0 评论 -
caffe绘制训练过程中的accuracy、loss曲线
经过一波N折的后终于绘制出LOSS曲线了。先贴一张图。 下面讲讲碰到的问题及解决方法:1、刚开始画出的图如下.不论是采用下面什么模式的画图都这样。后来发现是因为生成的xx.log.train 没有任何数据。查看parse_log.sh文件,将 #rm aux.txt aux0.txt aux1.txt aux2.txt aux3.txt注释起来,保存aux.t...原创 2019-01-11 15:04:28 · 384 阅读 · 0 评论 -
卷积神经网络(CNN)张量(图像)的尺寸和参数计算(深度学习)
分享一些公式计算张量(图像)的尺寸,以及卷积神经网络(CNN)中层参数的计算。以AlexNet网络为例,以下是该网络的参数结构图。AlexNet网络的层结构如下:1.Input:图像的尺寸是227*227*3.2.Conv-1:第1层卷积层的核大小11*11,96个核。步长(stride)为4,边缘填充(padding)为0。3.MaxPool-...转载 2019-06-05 10:44:48 · 4018 阅读 · 0 评论 -
卷积神经网络(CNN)介绍与实践
1 CNN的前生今世1.1 大脑作为人类,我们不断地通过眼睛来观察和分析周围的世界,我们不需要刻意的“努力”思考,就可以对所看到的一切做出预测,并对它们采取行动。当我们看到某些东西时,我们会根据我们过去学到的东西来标记每个对象。为了说明这些情况,请看下面这张图片:资料来源:https://medium.freecodecamp.org/an-intuitive-guide-t...转载 2019-07-04 14:20:25 · 435 阅读 · 0 评论