摘要：
整体网络结构如下： 最关键的改进是使用了一个叫深度可分离卷积的结构，将原始的3*3卷积升通道的操作分解成了两部分： 第一部分是保持通道不变的情况下做3*3卷积。 第二部分是使用1*1的卷积做通道提升操作。 结果就是能够减少很多的运算量。 下面依然是一个猫狗大战的训练程序，并且增加了断点续练的部分处理 阅读全文
摘要：
ResNet也是相当经典的卷积神经网络，这里实现了18，34，50，101和152。 网络结构如下： 这里18和34用到的block是一样的，两层卷积。50，101和152用到的block是一样的，三层卷积，不过用到了1*1卷积来调整数据通道数。 猫狗大战的训练代码如下: import torch 阅读全文
摘要：
VGGNet也是一个比较经典的深度学习网络模型。 模型结构如下： 这里选用了D模型，同样用该模型做个了个猫狗大战的训练，不过为了提高速度，我把图像resize为112*112了，相应的flatten之后就成56*3*3了，所以和原始模型有点不一样。 import torch import torch 阅读全文
摘要：
AlexNet是另外一个比较经典的深度学习网络模型。 模型结构如下： 这里用该模型做个了个猫狗大战的训练，测试与c++测试和上一篇类似。 import torch import torch.nn as nn import torch.optim as optim from torch.utils.d 阅读全文
摘要：
业余时间重新学习一下深度学习，先从基础网络开始，一点一点积累。 Lenet网络模型： 下面程序中输入的数据是28*28的，结构和原始稍微有点不一样。 训练代码： import torch import torch.nn as nn import torch.optim as optim from t 阅读全文
摘要：
git clone如果遇到下面两个error： error: RPC failed; curl 92 HTTP/2 stream 5 was not closed cleanly before end of the underlying stream error: RPC failed; curl 阅读全文
摘要：
首先安装ccache: sudo apt install ccache 然后在cmake文件中添加如下代码即可： find_program(CCACHE_FOUND ccache) if(CCACHE_FOUND) set_property(GLOBAL PROPERTY RULE_LAUNCH_C 阅读全文
摘要：
当数据通过非线性函数后，分布不再是高斯分布时，可以用无迹变换估计新数据的均值与方差。 算法原理就是在原始数据均值周围根据方差选取一些待使用点，然后将这些点通过非线性函数，再通过加权平均的方式求出新分布的均值与方差。 如果我们选取的点非常多，并且将这些点都通过非线性函数，再估计均值与方差，那么就是粒子 阅读全文
摘要：
要用傅里叶级数表示二维图形，首先要找到数学表达式，然后做傅里叶拟合即可。 我最初想的是$R= f(theta)$这样的式子，$R$是极径，$theta$是极角。 不过这样似乎处理不了$theta$一样的情况，比如图形有凹陷的情况。 后来看了一些文章说可以把$x$和$y$分开表示，即$x=f(t)$, 阅读全文
摘要：
Frechet距离用于描述路径的相似性。 可以用一个二维矩阵$Ca$来表示。 设$d(i,j)$为A,B路径第$i$和第$j$个点的欧式距离。 首先计算A路径第一个点到B路径第一个点的欧式距离，设为$Ca$矩阵的第一个元素。 然后再计算$Ca$矩阵的第一行和第一列： $Ca(1,j)=Max(Ca( 阅读全文