随笔分类 - 深度学习
记录一些最新论文心得与实践技巧
摘要：Caffe使用经验积累 本贴记录Caffe编译好了，使用过程的常用命令与常见错误解决方式。如果对编译过程还存在问题，请参考 "史上最全的caffe安装过程" 配置Caffe环境。 1 使用方法 训练网络 选择某个模型作为预训练模型 继续之前的状态续训 画出网络结构 选择多gpu进行训练 设置系统环境
阅读全文
摘要：1 安装Torch 本文介绍Torch7的安装方法，因为本人安装Torch前安装了caffe，所以可能CUDA、cudnn、Blas等Torch可能需要用来的库的安装就不再重复介绍了，相关依赖出现问题的的猿友可以参考 "史上最全的caffe安装过程" 。 1.1 安装luarock lua是通过lu
阅读全文
摘要：Linux下的GPU版Caffe安装方法 系统环境：Ubuntu 14.04LTS + NV TitanX 1.1 (可选)显卡驱动的安装(有风险) 如果需要重装，需要先卸载已有版本 再重装一个比较稳定的版本 或者安装其它最新版本的驱动，但一定注意，通过apt get或者yum安装， 不要用官方的.
阅读全文
摘要：创新点：基于Faster RCNN使用更高效的基础网络 1.1 创新点 PVAnet是RCNN系列目标方向，基于Faster RCNN进行改进，Faster RCNN基础网络可以使用ZF、VGG、Resnet等，但精度与速度难以同时提高。PVAnet的含义应该为：Performance Vs Acc
阅读全文
摘要：1 YOLO 创新点： 端到端训练及推断 + 改革区域建议框式目标检测框架 + 实时目标检测 1.1 创新点 (1) 改革了区域建议框式检测框架: RCNN系列均需要生成建议框，在建议框上进行分类与回归，但建议框之间有重叠，这会带来很多重复工作。YOLO将全图划分为SXS的格子，每个格子负责中心在该
阅读全文
摘要：1 SSD基础原理 1.1 SSD网络结构 SSD使用VGG 16 Atrous作为基础网络，其中黄色部分为在VGG 16基础网络上填加的特征提取层。SSD与yolo不同之处是除了在最终特征图上做目标检测之外，还在之前选取的5个特特征图上进行预测。 SSD图1为SSD网络进行一次预测的示意图，可以看
阅读全文
摘要：1 pip install 最简单直接的方法，通过pip install安装，命令如下： 首先，需要安装 "本地用户本地的python" ，这样pip install后会安装到用户本地目录。 但是，如果系统的环境不稳定，会出现很多细节问题。如下： 1.1 安装中遇到的问题 错误1) Could no
阅读全文
摘要：CNN一般结构 卷积层作用： 1) 提取不同维度的特征，组合不同维度特征，其本质是卷积核，因此，学习一个有效的总卷积核是训练卷积层主要工作 2）寻找不同位置，不同大小的特征 3) 根据卷积核参数计算上下层blob之前维度关系 非线性层 控制对不同特征特征信号所应当作出的反应 如，RELU: $$f(
阅读全文
摘要：1 RCNN 1.1 训练过程 (1) 训练时采用fine tune方式: 先用Imagenet(1000类)训练，再用PASCAL VOC(21)类来fine tune。使用这种方式训练能够提高8个百分点。 (2) 训练时每个batch的组成: batch_size = 128 = 32P(正样本
阅读全文
摘要：什么是loss? loss: loss是我们用来对模型满意程度的指标。loss设计的原则是：模型越好loss越低，模型越差loss越高，但也有过拟合的情况。 loss function: 在分类问题中，输入样本经过含权重矩阵θ的模型后会得出关于各个类别
阅读全文
