女王公园的八神

摘要： 1、写好自己的 脚本，比如aa.sh 2、打开终端 执行，方法一： 输入命令 ./aa.sh , 方法二：直接把 aa.sh 拖入到终端里面。 注意事项： 如果 没有成功报出问题：: Permission denied。就是没有权限。 解决办法： 修改该文件aa.sh 的权限 ：使用命令： chmo 阅读全文

摘要： 发现很多网络使用1×1的卷积核，实际就是对输入的一个比例缩放，因为1×1卷积核只有一个参数，这个核在输入上滑动，就相当于给输入数据乘以一个系数。（对于单通道和单个卷积核而言这样理解是可以的） 对于多通道和多个卷积核的理解，1×1卷积核大概有两方面的作用：1.实现跨通道的交互和信息整合（具有线性修正特 阅读全文

摘要： 1.定位 ，主要是颜色特征 2.分割，主要是注意投影的方向 3.识别，最好用深度学习，当然用深度学习应该不需要分割了，直接定位之后就可以 阅读全文

摘要： 下一个Tab: Control + Tab前一个Tab: Control + Shift + Tabchrome浏览器 阅读全文

摘要： 1*1卷积比如一张500*500且厚度depth为100的图片在20个filter上做1*1卷积，那么结果大小为500*500*20 只有池化改变图片的大小 一个大的全连接层可以理解为一个神经网络，这个NN 中的神经元连接着前一层的每一个输入 ，所以最后一层数据被延展为一个巨大 的列向量。 卷积的过 阅读全文

摘要： 今天来仔细讲一下卷基层和全连接层训练参数个数如何确定的问题。我们以Mnist为例，首先贴出网络配置文件： name: "LeNet" layer { name: "mnist" type: "Data" top: "data" top: "label" data_param { source: "e 阅读全文

摘要： 转自 虎扑 https://bbs.hupu.com/20220442.html 首先需要确定学习足球战术的目的为何。 系统学习足球战术，最终目标是有能力作为战术分析师提供球队和球员的分析，而尚不包括如何去应对和解决分析出的问题，这一条路很长，停在哪里取决于你。 与教练不同，分析战术需要立足于对战术 阅读全文

摘要： 1. 卷积与反卷积 如上图演示了卷积核反卷积的过程，定义输入矩阵为 I（4×4），卷积核为 K（3×3），输出矩阵为 O（2×2）： 卷积的过程为：Conv(I,W)=O 反卷积的过称为：Deconv(W,O)=I（需要对此时的 O 的边缘进行延拓 padding） 2. 步长与重叠 卷积核移动的步 阅读全文

摘要： 使用Caffe 跑 Google 的Inception V2 对输入图片的shape有要求，某些shape输进去可能会报错。 Inception model中有从conv和pooling层concat的操作，而conv和pooling的output输出计算方式不完全一样。解决方案： 1. 按照原来p 阅读全文

摘要： function resizephotos(directory, wh, isrecursive, isoverwrite, savetopath, supportFormat) % resizephotos: resize a batch of photos % % resizephotos -dir max_width_and_height, will let you choose a d... 阅读全文