glysw

摘要： BAM: Bottleneck Attention Module 1.提出了一种可以结合到任何前向传播卷积神经网络中的注意力模块。 2.整体网络结构：作者将BAM模块加载了Resnet中的每个stage之间，用于消除低层次特征，聚焦于明确的目标。 3.BAM块： （1）Channel attenti 阅读全文

摘要： 一.Selective Kernel Networks 1.介绍： SKNet是SENet的加强版，让每一个神经元能够动态的调整感受野的大小。 2.大体流程： 1.Split 首先对原本C*H*W的输入经过多个（自己定义，图中为3个）大小不同的卷积核得到U1，U2，U3三个特征图。 注意，这里涉及了 阅读全文

摘要： 一：MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Applications 1.论文地址：https://arxiv.org/pdf/1704.04861.pdf 2.本篇论文提出一种网络架构，允许开发人员专 阅读全文

摘要： 一：ALexNet 可以理解为更深、更大的LeNet，主要改进：丢弃法、ReLu、MaxPooling 1.AlexNet 架构 2.代码实现： （1）.网路构建: net = nn.Sequential( nn.Conv2d(1, 96, kernel_size=11, stride=4, pad 阅读全文

摘要： net = torch.nn.Sequential( Reshape(), nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(), nn.AvgPool2d(kernel_size=2, stride=2), nn.Conv2d(6, 16, 阅读全文

摘要： 一.线性回归从0开始实现： 1. （1）生成数据集 %matplotlib inline import random import torch !pip install d2l from d2l import torch as d2l def synthetic_data(w, b, num_exa 阅读全文

摘要： 一.数据操作及实现： 1.数组： 1).对于一个四维数组，可以简单理解为一个RGB图片的批量（批量大小*宽*高*通道） 2).对于一个五维数组，可以理解为一个视频批量（批量大小*时间*宽*高*通道） 3).访问元素方法： [::3,::2]:表示从第零行到最后一行每3行一跳，从第0列到最后一列，每2 阅读全文