摘要：
CSDN：https://blog.csdn.net/weixin_46098577/article/details/120167360 孙 悟 空，你是我爹。 阅读全文
摘要：
这里其实有些跳课，最近看沐神看得比较少，在做毕业设计，但是因为要用到注意力机制了，所以抓紧时间过来先学这个，不按顺序学习是对我这个处女座最大的折磨（哭哭） 我在毕业设计中遇到了一个问题，对于HSV三个特征，我发现HS的贡献较小，V的贡献很大，所以我希望在模型训练中强化V所发挥的作用，因此我的第一个想 阅读全文
摘要：
首先，奠基性工作——基于CNN的样式迁移 这里有三个三层的卷积神经网络，一个输入为内容，一个输入为样式，中间那个是合成图，这个神经网络训练的竟然不是权重，而是这个合成图。它的思想就是我要训练这张合成图，让他既匹配内容图片的CNN的某一层的输出，又匹配样式图片CNN的某一层的输出，这样我们就认为这张图 阅读全文
摘要：
FCN是深度神经网络用来做图像领域的语义分割的奠基性工作，它用转置卷积层替换掉CNN最后的全连接层，从而可以预测每一个像素的类别。 （但也因为是奠基性工作，所以现在的应用已经很少了。） 解释一下这个网络： 首先，将图片传到CNN中，进行特征的提取，但是CNN不包含池化层和全连接层，因为不做全局分类； 阅读全文
摘要：
这个东西最近做深度学习复现总是遇到，记一下。 1 histogram(a,bins=10,range=None,weights=None,density=False); 2 # a是待统计数据的数组； 3 # bins指定统计的区间个数； 4 # range是一个长度为2的元组，表示统计范围的最小值 阅读全文
摘要：
转置卷积可以用来增大输入的高宽，算是对卷积的反卷？并不是。 转置卷积本质上还是一个卷积，它只是与卷积在形状上是相反的，但是数值不是； 卷积的逆运算是反卷积，反卷积的输入和输出与卷积的输出和输入相同； 反卷积是数学上的概念，计算机领域但凡提到“反卷积神经网络”指的都是用转置卷积，因为反卷积在机器学习领 阅读全文
摘要：
R-CNN：物体检测的奠基性工作 其实就是在CNN的基础上，加了一个RoI池化层，（region of interest，兴趣区域）。 给定一个锚框，将锚框均匀分割成nxm块，输出每一块的最大值，这样就能总是输出nm个值。 （当然不可能一直均匀，肯定有不均匀的时候，一块比一块多一些很正常） 这样就可 阅读全文
摘要：
concatenate([a1, a2, …], axis=0) 这是numpy里一个非常方便的数组拼接函数，也就是说，传入n个数组在中括号中，即可得到一个这些数组拼接好的新的大数组；axis=0表示从行方向上拼接，=1表示从列方向上拼接，如果是高维以此类推。 但是，今天遇到一个新的用法，如exam 阅读全文
摘要：
原视频地址：https://www.bilibili.com/video/BV13D4y1Q7RS?from=search&seid=9311985917721407930&spm_id_from=333.337.0.0 content 1、命令行 2、常用语句 3、矩阵 4、rand随机数 5、元 阅读全文
摘要：
微调：不是调参，而是将一个已经训练好的网络，用于另一个数据集，类似迁移学习吧。 一个神经网络一般分成2块——特征抽取和线性分类器 微调的效果在“源数据集远远大于目标数据集的时候”效果很好。 底层的参数更加通用，而高层的参数更与数据集相关，因此在微调的时候可以固定底层的参数。 目标检测的常用算法 区域 阅读全文