上一页 1 2 3 4 5 6 ··· 10 下一页
摘要: 文章来源: https://zhuanlan.zhihu.com/p/50369448 从这几年的分割结果来看,基于空洞卷积的分割方法效果要好一些,为此,拿出两天时间来重新思考下空洞卷积问题。 . 语义分割创新该怎么做呢。引言空洞卷积(Dilated/Atrous Convolution),广泛应用 阅读全文
posted @ 2018-12-26 21:33 向前奔跑的少年 阅读(6789) 评论(0) 推荐(0) 编辑
摘要: 转自: https://www.cnblogs.com/hellcat/p/9687624.html 目录一、空洞卷积的提出二、空洞卷积原理三、空洞卷积问题感受野跳跃小尺度物体检测四、网络设计研究五、常用框架API介绍TensorFlow接口MXNet接口六、参考来源 回到顶部一、空洞卷积 阅读全文
posted @ 2018-12-26 21:09 向前奔跑的少年 阅读(1455) 评论(0) 推荐(0) 编辑
摘要: https://blog.csdn.net/qq_32417287/article/details/80102466 <! flowchart 箭头图标 勿删 abstract introduction method overview Deep architecture for place reco 阅读全文
posted @ 2018-12-23 16:12 向前奔跑的少年 阅读(1128) 评论(0) 推荐(0) 编辑
摘要: 来源:https://www.chainnews.com/articles/504060702149.htm 机器之心专栏作者:张俊林Batch Normalization (简称 BN)自从提出之后,因为效果特别好,很快被作为深度学习的标准工具应用在了各种场合。BN 大法虽然好,但是也存在一些局限 阅读全文
posted @ 2018-12-22 21:38 向前奔跑的少年 阅读(661) 评论(0) 推荐(0) 编辑
摘要: 链接:https://www.zhihu.com/question/61607442/answer/440944387   首先反对上面的尽可能调大batch size的说法,在现在较前沿的视角来看,这种观点无疑是有些滞后的。 关于这个问题,我们来看下深度学习三巨头之一的LeCun杨乐春同 阅读全文
posted @ 2018-12-22 21:19 向前奔跑的少年 阅读(15259) 评论(1) 推荐(4) 编辑
摘要: 转自:https://www.zhihu.com/question/25097993 我和@杨军类似, 也是半路出家. 现在的工作内容主要就是使用CNN做CV任务. 干调参这种活也有两年时间了. 我的回答可能更多的还是侧重工业应用, 技术上只限制在CNN这块. 先说下我的观点, 调参就是trial 阅读全文
posted @ 2018-12-21 17:00 向前奔跑的少年 阅读(3491) 评论(0) 推荐(3) 编辑
摘要: 转自:https://blog.csdn.net/Vivianyzw/article/details/81061765 东风的地方1. 直接加载预训练模型在训练的时候可能需要中断一下,然后继续训练,也就是简单的从保存的模型中加载参数权重:net = SNet()net.load_state_dict 阅读全文
posted @ 2018-12-21 15:46 向前奔跑的少年 阅读(9362) 评论(0) 推荐(0) 编辑
摘要: 文章来源 https://www.cnblogs.com/king lps/p/8570021.html 1. PyTorch进行训练和测试时指定实例化的model模式为:train/eval eg: class VAE(nn.Module): def __init__(self): su 阅读全文
posted @ 2018-12-21 13:58 向前奔跑的少年 阅读(1411) 评论(0) 推荐(0) 编辑
摘要: [TOC] 1. zip argument 1 must support iteration 在多gpu训练的时候,自动把你的batch_size分成n_gpu份,每个gpu跑一些数据, 最后再合起来。我之所以出现这个bug是因为返回的时候 返回了一个常量。。 2. torch.nn.DataPar 阅读全文
posted @ 2018-12-18 20:43 向前奔跑的少年 阅读(2856) 评论(1) 推荐(0) 编辑
摘要: 文章来源:https://blog.csdn.net/on2way/article/details/46851451 <! flowchart 箭头图标 勿删 梯度简单来说就是求导,在图像上表现出来的就是提取图像的边缘(不管是横向的、纵向的、斜方向的等等),所需要的无非也是一个核模板,模板的不同结果 阅读全文
posted @ 2018-12-15 15:52 向前奔跑的少年 阅读(1675) 评论(0) 推荐(0) 编辑
上一页 1 2 3 4 5 6 ··· 10 下一页