yyangzhenjie的博客

一、apex是什么1、apex和amp英伟达官网https://nvidia.github.io/apex/index.html可以看到apex的全称：A PyTorch Extension(Apex)，其实就是一种pytorch的拓展插件。目的就是使用户能够快速实现amp（auto mixed precision）——自动混合精度技术在它们的N卡系列上训练模型也构建的一个库。在原有模型训练代码中添加少量代码(4行代码)就能够使用自动混合精度的技术来提高模型的训练速度，提高生产力。简单的理解a.

2015年的cvpr，FaceNet: A UnifiedEmbedding for Face Recognition and Clustering，取得了当时人脸识别的state-of-the-art，论文主要提出了tripletloss这一思想；triplet就是一个由（Anchor ,Positive,Negative）组成的三元组。其中，Anchor（表示为Xa）为锚，表示从数据集中随...

https://www.cnblogs.com/adong7639/p/8944698.html上：https://zhuanlan.zhihu.com/p/34404607下：https://blog.youkuaiyun.com/u014380165/article/details/76864572

BN层的设定一般是按照conv->bn->scale->relu的顺序来形成一个block。关于BN层，有一个注意点，caffe实现中的use_ global_stats参数在训练时设置为false，这样BN层才能更新计算均值和方差，如果设置为true的话，就是初始固定的了，不会更新；测试时设置为true。因为在训练时bn作用的对象是一个batch_size，而不是整个训练...

检测的基础知识：在介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了，如下图3所示，如DPM就是采用这种思路。但是这个方法有致命的缺点，就...

原文出处：https://www.cnblogs.com/alexanderkun/p/8098781.htmlsoftmax函数softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是更形象的如下图表示：softmax直白来说...

转载自：http://blog.sina.com.cn/s/blog_8d02ca7b0102w1fh.html作者：甘宇飞链接：http://www.zhihu.com/question/27982282/answer/39350629来源：知乎1. 初识Caffe1.1. Caffe相对与其他DL框架的优点和缺点：优点：速度快。Google Protocol

# 训练网络的定义train_net: "lenet_train.prototxt"# 测试网络的定义test_net: "lenet_test.prototxt"# test_iter指定多少前传测试应该执行。在手写体MNIST的情况下，我们测试批量100和100测试迭代，覆盖全10000测试图像（val）。test_iter: 100# 每迭代10000次就测试一次验证...

转载自：http://www.sohu.com/a/134345723_61030020个令人惊叹的深度学习应用（Demo+Paper+Code）2017-04-16 12:17唐旭 发自 RUC量子位 报道 | 公众号 QbitAI从计算机视觉到自然语言处理，在过去的几年里，深度学习技术被应用到了数以百计的实际问题中。诸多案例也已经证明

原文链接：https://www.leiphone.com/news/201607/KjXQ1dFpOQfhTEdK.html?viewType=weixin卷积神经网络（Convolutional Neural Network,CNN）新手指南引言卷积神经网络：听起来像是生物与数学还有少量计算机科学的奇怪结合，但是这些网络在计算机视觉领域已经造

转载自;http://blog.youkuaiyun.com/jiongnima/article/details/69736844推荐该博主的解析代码笔记详细易理解。卷积层输出 = 权值矩阵 * 输入特征图转化得到的矩阵权值矩阵尺度 = (卷积组输出通道数) * (卷积组输入通道数*卷积核高*卷积核宽)输入特征图转化得到的矩阵尺度 = (卷积组输入通道数*卷积核高*卷积