Acmer_future_victor的博客

学习过程中看到了这篇博客，记录一下，方便后续回顾。https://blog.csdn.net/weixin_42782150/article/details/110421829

Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。这篇文章思路简洁，在DPM方法多年平台期后，效果提高显著。包括本文在内的一系列目标检测算法：RCNN, Fast RCNN, Faster RCNN代表当下目标检测的...

卷积神经网络的基本结构的组合形成了许多经典网络结构。分类任务输入未知分类的目标图片，经过网络处理后给出对应图像类别。分类任务中使用的网络结构大多各不相同，研究者会针对不同的数据和分布情况设计适合的网络结构，但大多会借鉴自然图像中较常用的两类网络GoogleNet和ResNet，—些较早的研究大多借鉴AlexNet的网络结构。2.2.1 GoogleNet主要结构2014年提出的Google...

经过dense_block之后，输出的通道数会非常大，我们通过一个transition层减少输出的通道数，同时减少输出大小。

loss在反向传播的过程中，传递到浅层的梯度非常小，使得浅层参数难以更新。resnet引入了残差单元（residual unit）：通过直接和输入连接，使得浅层的参数变得可以训练。bottleneck将左图中的一个3*3的卷积层，改为了两个1*1的卷积层，在参数个数相近的情况下，加深了网络深度。resnet就是上面的残差单元（residual unit）或者是bottleneck不断...

1、数据增强（对训练数据进行扩充的方法）常用图像数据增强的方法：对图片进行一定比例的缩放 对图片进行随机位置的截取 对图片进行随机的水平和竖直翻转 对图片进行随机角度的旋转 对图片进行亮度、对比度和颜色的随机变化2、学习率衰减大学习率可能在目标值附近来回震荡，难以收敛。3、Dropout4、正则化...

GoogleNet神经网路结构一个 inception 模块的四个并行线路如下： 1.一个 1 x 1 的卷积，一个小的感受野进行卷积提取特征 2.一个 1 x 1 的卷积加上一个 3 x 3 的卷积，1 x 1 的卷积降低输入的特征通道，减少参数计算量，然后接一个 3 x 3 的卷积做一个较大感受野的卷积 3.一个 1 x 1 的卷积加上一个 5 x 5 的卷积，作用和第二个一样 4.一...

VGG网络结构 基本的单元（vgg_block）是几个卷积再加上一个池化，这个单元结构反复出现，用一个函数封装(vgg_stack).import numpy as npimport torchfrom torch import nnfrom torch.autograd import Variablefrom torchvision.datasets impor...

AlexNet神经网络结构第一幅图的网络结构可以简化为第二幅图的网络结构。（但是，我没有算出和上图一样的特征图大小来，欢迎大佬指教）。import torchfrom torch import nnimport torch.nn.functional as Fimport numpy as npfrom torch.autograd import Variable...

网络结构在文章https://blog.csdn.net/Acmer_future_victor/article/details/103490422中有。# __author: Y# date: 2019/12/11import numpy as npimport torchimport torch.nn as nn# N是有多少个训练数据 D_in是输入维度N, D_in,...

网络结构在文章https://blog.csdn.net/Acmer_future_victor/article/details/103490422中有。# __author: Y# date: 2019/12/11import numpy as npimport torchimport torch.nn as nn# N是有多少个训练数据 D_in是输入维度N , D_in...

# __author: Y# date: 2019/12/11# h = W_1x+b_1# a = max(0, h)# Yhat = W_2a+b_2# - forward pass# -loss# -backward passimport numpy as npimport torch# N是有多少个训练数据 D_in是输入维度N , D_in, H, D_o...

# __author: Y# date: 2019/12/11# h = W_1x+b_1# a = max(0, h)# Yhat = W_2a+b_2# - forward pass# -loss# -backward passimport numpy as npimport torch# N是有多少个训练数据 D_in是输入维度N , D_in, H, D_o...

# __author: Y# date: 2019/12/11# h = W_1x+b_1# a = max(0, h)# Yhat = W_2a+b_2# - forward pass# -loss# -backward passimport numpy as np# N是有多少个训练数据 D_in是输入维度N , D_in, H, D_out = 6...