- 博客(6)
- 收藏
- 关注
RSS订阅原创 量化部署学习
在训练阶段，权重和输入数据会在浮点数和整数之间进行多次转换。训练阶段的目标是通过模拟量化操作，确保模型在量化后仍能保持良好的性能。使用 ReLU6 的目的是减少数值范围，从而更容易进行量化。在推理阶段，为了提升效率，模型会将数据转换为整数形式，并避免浮点计算。ReLU 层可以直接折叠到卷积或其他线性层后面，这样在推理时可以避免单独的激活函数计算。将浮点数映射为整数空间，从而减少计算复杂度，提高模型推理效率。Google 的新量化范式，主要目的是通过。进行卷积和其他运算，以加速模型的推理过程。
2024-10-30 16:48:23
1363
原创 深度学习中的基础知识
即通过计算损失函数相对于每个参数的梯度（偏导数），然后根据这些梯度对参数进行更新，从而逐步减小损失值，使模型逐渐逼近最佳状态。反向传播通过逐层计算梯度。这个过程中，可能会出现梯度消失或梯度爆炸的问题。
2024-10-02 16:13:42
1800
原创 Yolo 学习笔记
四：最终网络的输出是一个 S×S×(B×5+C)的张量。对于每个网格单元，有 B个边界框（通常 B=2），每个边界框输出 5 个值（边界框坐标和置信度），外加 C个类别概率。三：类别概率预测，每个网格单元还预测类别的概率分布，假设一共有 C 个类别，则每个网格输出一个长度为 C的向量，表示该网格包含某类物体的概率。一：输入的图像被划分为 S×S个网格（例如 7x7）。：选择IOU最大的边界框，误差 = x和y的差平方+根号w和根号h的差平方（加根号因为更注重小物体）输出为： 7*7*（5*2+20）
2024-09-20 03:14:54
1079
原创 模型部署学习
batch Normal：随着训练，数据的分布一直在改变，所以需要做归一化。保持数据的分布，防止过拟合。（后续补充）：防止权重过大导致过拟合。流程：训练->剪枝->训练。删除掉不重要的特征图。
2024-09-12 17:18:00
278
原创 OpenCV学习记录
OpenCV 提供了丰富的文档和示例代码，方便开发者快速上手和实现各种计算机视觉任务。无论是学术研究、工业应用，还是个人项目，OpenCV 都是一个非常强大的工具。
2024-07-12 02:52:35
105
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人