Ztomepic的博客

深度可变卷积把传统的卷积过程分成两步：depthwise convolution和pointwise convolution。 depthwise convolution：过滤器的层数等于输入通道数，输出的featuremap的层数也就等于输入的通道数。 pointwise convolution：类似常规卷积操作，filter尺寸是1×1×M×N。M是上层输入通道数，输出featuremap数...

GPU 相比CPU，GPU有上千个cores，在并行计算方面有巨大优势，与深度学习的计算需求一致。例如卷积，卷积可以并行计算kernal的中心点不同位置的情况。 cuDNN 如何利用GPU？ CUDA为开发者们提供利用GPU并行计算的API。 CUDNN，CUDA Deep Neural Network Library. Example(Pytorch) t = torch.tensor([1,...

face verification 人脸验证的任务是验证一张图片是不是与给出的 NAME/ID 对应 face recognition 人脸识别的任务是输入一张图片，和一个数据库，输出这张图片对应的数据库中的ID。这比人脸验证要复杂一些。 One-shot Learning One-shot Learning问题指的是只对一个test data进行人脸识别。这实际运用中是经常出现的情况。 按照传统...

目标检测 目标检测的要求是在给出图片内容是什么，以及在哪儿。其中“在哪儿”通过方框或者坐标点给出。 边界框 检测比较大的物体时，用边界框框定位置。方框的位置由bw, bh, bx, by描述。图像的左上角标记为（0, 0），右下角为(1, 1)，也就是说bw, bh, bx, by均在区间[0 , 1]内。 bw, bh, bx, by和P(表示是否检测到内容) 是增加神经网络在使用softma...

CNN实例 1.经典网络 LeNet-5 AlexNet VGG 2.ResNet 3.Inception 经典网络 LeNet-5 Alex VGG-16 优点：规整，简化了网络结构，卷积层和全连接层（也就是有权重的层）加起来有16个，每轮filter size增加一倍；当feature map尺寸缩小一半，feature map层数增加一倍，呈现规律性。 缺点：非常深，1.38亿个参...