05 2021 档案
摘要：1.图像标注到底是什么？ 人工划分出图像中相关目标所在区域的位置信息、分类信息和语义信息等。 2.怎么才算一个完整的标注？ 根据需求不同，对于标注的完整性的要求是不同的：比如，对于目标检测图像分类的数据集中，只需要标注图片中所含目标类别即可。 3.通过VOC等知名数据集的展示，来详细解释数据标注到底
阅读全文
摘要：对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： 1.Labelme Labelme适用于图像分割任务的数据集制作： 它来自下面的项目：https://gi
阅读全文
摘要：这两个方法都是对应位置元素相乘，因此要求维度相同 矩阵相乘 tensor = torch.ones(4, 4) tensor[:,1] = 0 print(tensor) tensor([[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.], [1
阅读全文
摘要：1.张量>>>>numpy数组 t = torch.ones(5) print(f"t: {t}") n = t.numpy() print(f"n: {n}") t: tensor([1., 1., 1., 1., 1.]) n: [1. 1. 1. 1. 1.] 在张量中的改变也会影响numpy
阅读全文
摘要：执行张量的加法运算 tensor = torch.ones(4, 4) tensor[:,1] = 0 print(tensor, "\n") tensor.add_(5) print(tensor) tensor([[1., 0., 1., 1.], [1., 0., 1., 1.], [1.,
阅读全文
摘要：除了tensor.matmul(tensor.T)这种表示方法，还有tensor @ tensor.T，都可以实现张量的矩阵乘法，当然tensor.mm也是矩阵乘法（这些方法和对应元素相乘区分开） 对应元素相乘 1.初始化张量 tensor = torch.ones(4, 4) tensor[:,1
阅读全文
摘要：下文是自己学习和了解到的，可能比较浅显，也可能比较散，主要作用还是帮自己记录，方便日后查看，所以很多东西都给出了链接，但愿对读者有所帮助，主要学习来源 文章目录 一、前言二、存在问题三、残差块四、残差块的优点五、网络结构六、网络的参数七、复现 一、前言 在2015年的Imagenet比赛中五项都是第
阅读全文
