随笔分类 -  关乎原理

关乎于5g----我们该怎么运用
摘要：关乎于5g 我们该怎么运用 5g相比于4g有多种特性， 分为：高带宽，低时延，大连接，高频网络，网络切片，三维网络 其中 高带宽：代表可以有很快的速度，终端速度可以达到几个g 低时延：代表网速延迟很低，4g在10ms以上，而5g可以达到仅仅几毫秒 大连接：一平方公里可以有100万个连接 高频网络：5 阅读全文
posted @ 2019-07-29 15:04 freebirds 阅读(229) 评论(0) 推荐(0)
深度学习中参数量与计算量的理解
摘要：接下来要分别概述以下内容： １　首先什么是参数量，什么是计算量 ２　如何计算　参数量，如何统计　计算量 ３　换算参数量，把他换算成我们常用的单位，比如:mb ４　对于各个经典网络，论述他们是计算量大还是参数两，有什么好处 ５　计算量，参数量分别对显存，芯片提出什么要求，我们又是怎么权衡 １　首先什么 阅读全文
posted @ 2019-04-08 17:23 freebirds 阅读(15765) 评论(0) 推荐(0)
各个监督分析
摘要：我们听说了很多关于监督的名词： 包括无监督(unsupervised)，半监督(semi-supervisied)，弱监督(weakly-supervisied)，有监督(supervisied) 那么这几个的区别是什么呢？ 判别是什么监督最重要的是看你的任务！ 举个例子， 你的任务是分类，给你的标 阅读全文
posted @ 2019-04-03 14:34 freebirds 阅读(476) 评论(0) 推荐(0)
针对于高频低频图像的理解
摘要：１首先什么是高频图像，什么是低频图像 低频图像就是灰度变化比较小的图像 高频图像就是灰度变化比较大的图像 所谓灰度变化比较小的图像就是，内容 所谓灰度变化比较大的图像就是，边缘和纹理， 边缘：灰度变化较大，比如我穿了一件红色的衣服，北京是白色的，那么，红色衣服与白色背景的边缘是高频的，因为他们的图像 阅读全文
posted @ 2019-04-02 11:52 freebirds 阅读(4600) 评论(0) 推荐(0)
深度学习一些专有名词
摘要：深度学习里面一些专有名词 １ 转置卷积：要学习一些参数 upsample 直接插０或者其他，这个其他可以有不同的方式，就是不同的插值，但是都是固定的算法 相当于resize,不去学习参数 ２embedding 3 resize crop resize 是进行大小拉伸，比如36*18 变成9*9,那么 阅读全文
posted @ 2019-04-01 22:03 freebirds 阅读(669) 评论(0) 推荐(0)
关于各个loss的理解－－持续更新
摘要：关于loss的理解， 首先就是推公式，其次还是推公式，公式理解了，那么其他的也就理解了 1 softmax 2 bceloss 3 mseloss 4 n1loss 5 sphereloss .................................... 先说softmax的理解 阅读全文
posted @ 2019-04-01 11:32 freebirds 阅读(936) 评论(0) 推荐(0)
关于gan的流程理解
摘要：关于gan的流程的理解 最近再看cyclegan所以慢慢来看，最后了解了原理来跑代码就好 －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ 关于gan学习的三个重要的点：1 生成器(generator) 2 分辨器(discriminator 阅读全文
posted @ 2019-03-29 14:24 freebirds 阅读(6567) 评论(0) 推荐(2)
classification-evaluation
摘要：对于分类问题的评测 评价指标通常有５个，分别是ma,acc,pre,recall,f1 ma：一个既关注正样本，又关注负样本的评测指标 正样本recall　＋　负样本recall / 2, acc: 只关注正样本，但是属于pre和recall的结合体 acc=TP / PUT U:取并集，虽然我觉得 阅读全文
posted @ 2019-03-27 11:27 freebirds 阅读(337) 评论(0) 推荐(0)
论初始化的重要性
摘要：初始化是相当重要的，一定不能乱写， 因为首先初始化由于学习率比较小的原因，导致这个层的weight改变的会很慢， 其次，初始化如果不对，很可能不只是下降慢，可能是全盘皆输 17:40:18 从上述公式可以看出，由于学习率很小，所以w基本不变，再加上w内部如果都设为１，则w更新之后也基本一样，如果是这 阅读全文
posted @ 2019-03-22 17:48 freebirds 阅读(701) 评论(0) 推荐(0)
对于batchnorm层的理解
摘要：batchnorm层的作用是什么？ batchnorm层的作用主要就是把结果归一化， 首先如果没有batchnorm ，那么出现的场景会是： 过程模拟 首先batch-size=32,所以这个时候会有32个图片进入resnet. 其次image1进入resnet50里面第２个卷积层,然后得出一个结果 阅读全文
posted @ 2019-03-21 10:38 freebirds 阅读(8657) 评论(0) 推荐(0)
如何防止过拟合
摘要：防止过拟合 可以通过 １　增加augmentation(flip imgaug) 2 增加pooling(因为没有参数) ３　增加l2正则化 lr正则化，就是l2范数，所以增加了l2范数loss会变成这样 loss = L + lmda/2 * ||w|| l2范数就是1**2+2**2+3**2+ 阅读全文
posted @ 2019-03-19 19:41 freebirds 阅读(1275) 评论(0) 推荐(0)
reID-evalution
摘要：评测reID的指标，也就是以图搜图的能力，也就是在数据库检索的能力，主要就是用两个指标 一个是map 另一个是cmc,也就是rank1,rank5,rank10.... 但是一般我们看的主要就是 map和rank1 对于用户来说，想看的指标优先程度： rank1 > map > rank5 理由如下 阅读全文
posted @ 2019-03-19 18:54 freebirds 阅读(755) 评论(0) 推荐(0)
attention　门　　cat add　caption field
摘要：attention就是一个门，sigmoid是if elif 几很多门，能进去的也有很多门，而softmax类似于switch for，即很多门里面只能进入一个门 决定通路与闭路，一张图片１０＊１０，可能关注的点就是中间的一部分和左下角的一部分，那么中间的一部分就是通路，sigmoid输出尽量为１， 阅读全文
posted @ 2019-03-19 15:09 freebirds 阅读(252) 评论(0) 推荐(0)
计算公式以及参数数量计算
摘要：Conv的计算公式 1 conv: (x-k+2*p)/s + 1 = 新的conv 的长度与宽度 2 maxpooling/avgpooling: (x-k)/s + 1 =新的pool长度与宽度大小 参数计算量： 1 包括卷积层参数量（weights+bias）:主要，但是参数量本身却很小 2 阅读全文
posted @ 2019-03-13 21:52 freebirds 阅读(1394) 评论(0) 推荐(0)