|
摘要：
训练需要用到的文件： 1) .data文件。该文件包含一些配置信息，具体为训练的总类别数，训练数据和验证数据的路径，类别名称，模型存放路径等。 例如coco.data 需要用到训练数据trainvalno5k.txt和验证数据5k.txt。 其中，这两个文件内容为训练/验证图片的路径，每一行为一张图 阅读全文
posted @ 2018-11-07 20:04
hejunlin
阅读(6629)
评论(0)
推荐(2)
摘要：
安装命令： pip install opencv-python 阅读全文
posted @ 2018-10-24 18:23
hejunlin
阅读(811)
评论(0)
推荐(0)
摘要：
简单理解1： 假设你有两个传感器，测的是同一个信号。可是它们每次的读数都不太一样，怎么办？ 取平均。 再假设你知道其中贵的那个传感器应该准一些，便宜的那个应该差一些。那有比取平均更好的办法吗？ 加权平均。 怎么加权？假设两个传感器的误差都符合正态分布，假设你知道这两个正态分布的方差，用这两个方差值， 阅读全文
posted @ 2018-10-19 11:40
hejunlin
阅读(392)
评论(0)
推荐(0)
摘要：
相关环境： Python3 requests库 BeautifulSoup库 一．requests库简单使用 简单获取一个网页的源代码： 其中，r.status_code的值有如下对应关系。 r.content可以获取页面的全部内容。 二．BeautifulSoup库简单使用 Beautiful S 阅读全文
posted @ 2018-09-30 19:13
hejunlin
阅读(312)
评论(0)
推荐(0)
摘要：
图：信号在时域上和频域上的直观表示 1. 计算一维离散傅里叶变换（DFT）公式如下： 其中，N表示数据长度。由上式可知，DFT的时间复杂度是O(N*N) 2. 一维FFT的时间复杂度为O(N*logN)，其中N表示数据长度 3. 对于一个M*N的二维数据，FFT的时间复杂度为O( M*N*log(M 阅读全文
posted @ 2018-08-30 15:01
hejunlin
阅读(22007)
评论(0)
推荐(0)
摘要：
0. 本文贡献点 本文的主要贡献点是一个构造了一个结构，称为the inverted residual with linear bottleneck。该结构与传统的residual block中维度先缩减后扩增相反，而是先将输入的低维feature map扩增到高维，然后用depthwise con 阅读全文
posted @ 2018-07-31 13:20
hejunlin
阅读(9868)
评论(0)
推荐(0)
摘要：
官方提供的.flow_from_directory(directory)函数可以读取并训练大规模训练数据，基本可以满足大部分需求。但是在有些场合下，需要自己读取大规模数据以及对应标签，下面提供一种方法。 步骤0：导入相关 步骤1：准备数据 步骤2：对训练数据进行数据增强处理 步骤3：定义模型 步骤4 阅读全文
posted @ 2018-07-26 12:26
hejunlin
阅读(7203)
评论(0)
推荐(0)
摘要：
一、Tensor 之间的运算规则 1) 相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级 2) 不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting) 3) Tensor 与 Scalar(0维 tensor) 间的算术运算会将 阅读全文
posted @ 2018-05-31 14:23
hejunlin
阅读(5005)
评论(0)
推荐(1)
摘要：
训练神经网络，其中一个加速训练的方法就是归一化输入。 假设我们有一个训练集，它有两个输入特征，即输入特征x是二维的， 下图是数据集的散点图。 归一化输入需要两个步骤，第一步是零均值化，即每个元素减去均值操作，公式如下： 结果如下图： 第二步是，归一化方差，上图中，特征x1的方差比特征x2的方差要大的 阅读全文
posted @ 2018-05-15 10:34
hejunlin
阅读(2776)
评论(0)
推荐(0)
摘要：
下面从模型涉及到的符号开始介绍。 以命名实体识别问题为例。命名实体系统可以自动识别出文本中出现的人名、公司名、时间、地点、国家名、货币名等。 现在，我们要建立一个能够自动识别句子中人名位置的序列模型。它的输入语句是： x： Harry Potter and Hermione Granger inve 阅读全文
posted @ 2018-05-06 20:16
hejunlin
阅读(578)
评论(0)
推荐(0)
|
浙公网安备 33010602011771号