Tensorflow安装CPU版：如果你的电脑没有NVIDIA的显卡的话，你就必须选择安装这个版本，不过这个版本的安装要比GPU版的简单，官方也推荐先用CPU版的来体验。 GPU版：TensorFlow在GPU上运行要比CPU上快很多，如果你的GPU能够达到要求就可以选择安装GPU版。 GPU版的安装要求 CUDA® Toolkit 8.0CUDA® Toolkit
转载
2024-03-15 05:23:00
85阅读
链接
原创
2023-01-13 06:06:59
132阅读
总体架构1ROI对从RPN中选出来的1000个Proposal Boxes，以及从FPN中输出的多层特征图进行ROI Pool，对于box中的对象进行分类，并再次进行Proposal Boxes偏移（offset/delta）数值回归，产生新的分数和再次微调的box，以及得到标签，最后再次进行非极大值抑制(NMS)： 基于FPN的ROI处理会比传统的Faster RCNN多出一些步骤，要更加复杂一
转载
2024-03-27 15:53:31
106阅读
计算机视觉(Compute Vision，CV)给计算机装上了“眼睛”，让计算机像人类一样也有“视觉”能力，能够“看”懂图片里的内容。作为深度学习领域的最重要的应用场景之一，在手机拍照、智能安防、自动驾驶等场景均有广泛的应用。同时也出现了一批经典的网络，如AlexNet、ResNet等。本文以典型的图片分类网络ResNet50为例，介绍一下如何使用MindSpore来完成一个CV应用的开
转载
2024-05-09 09:42:48
101阅读
1 深度残差网络 随着CNN的不断发展，为了获取深层次的特征，卷积的层数也越来越多。一开始的 LeNet 网络只有 5 层，接着 AlexNet 为 8 层，后来 VggNet 网络包含了 19 层，GoogleNet 已经有了 22 层。但仅仅通过增加网络层数的方法，来增强网络的学习能力的方法并不总是可行的，因为网络层数到达一定的深度之后，再增加网络层数，那么网络就会出现随机梯度消失的问题，也会
转载
2024-03-15 05:27:31
300阅读
目录1、作业简介1.1、问题描述 1.2、预期解决方案1.3、数据集1.4、部分数据展示2、数据预处理2.1、数据集结构2.2、数据集的探索性分析2.3、图像数据的预处理2.4、标签数据的预处理2.5、使用 DataLoader 加载数据3、ResNet50模型3.1、ResNet50的网络结构及其中间的维度变换3.2、通过导包直接使用ResNet503.3、用Resnet50进行训练（
转载
2024-06-27 06:35:03
128阅读
摘要：承接上一篇LeNet网络模型的图像分类实践，本次我们再来认识一个新的网络模型：ResNet-50。不同网络模型之间的主要区别是神经网络层的深度和层与层之间的连接方式，正文内容我们就分析下使用ResNet-50进行图像分类有什么神奇之处，以下操作使用MindSpore框架实现。1.网络：ResNet-50对于类似LeNet网络模型深度较小并且参数也较少，训练起来会相对简单，也很难会出现梯度消失
转载
2024-03-15 16:07:22
399阅读
摘要：resnet神经网络原理详解resnet为何由来：resnet网络模型解释resnet50具体应用代码详解：keras实现resnet50版本一：keras实现resnet50版本二：参考文献：摘要：卷积神经网络由两个非常简单的元素组成，即卷积层和池化层。尽管这种模型的组合方式很简单，但是对于任何特定的计算机视觉问题，可以采
转载
2024-04-28 15:59:50
223阅读
最开始接触到这个ResNet的时候是在看deeplab2的论文的时候，里面用到的是Res101，对于习惯了使用VGG16来作为基本框架的我对于这个101层的网络自然是充满着无比的敬意呀，哈哈。ResNet在各个方面的表现都很优异，他的作者何凯明博士也因此摘得CVPR2016最佳论文奖。我认为VGG16是在AlexNet的基础上加深了网络层次从而获得了优异的结果，就理论上来说，ResNe
ssd模型图示模型原理ssd主要的思想是以cnn做为特征提取网络，例如以resnet50做为提取网络，删除掉resnet后面的全连接层，再增添几层额外的卷基层提取特征，得到不同尺度的特征图，然后我们让这些不同层次的特征图分别预测不同大小的目标，浅层卷积层提取到的是比较细小的特征，越深层的卷积提取到的信息会越丰富，因此我们让浅层的卷积特征图去检测小的目标，让深层的卷积特征图去检测大的目标。 还是直接
转载
2024-04-01 06:16:59
189阅读
pytorch fasterrcnn-resnet50-fpn 神经网络 目标识别 应用 —— 推理识别代码讲解（开源）项目地址二、推理识别代码讲解1、加载模型1）加载网络结构2）加载权重文件3）model状态配置2、图片推理推理——最最最关键的环节到了！boxes:labels:scores:boxes labels scores 是按照顺序对应的3、推理结果转换完整代码 项目地址完整代码放在
转载
2024-08-22 11:42:13
260阅读
在看本文之前，请下载对应的代码作为参考：pytorch/vision/detection/faster_rcnn。总体结构花了点时间把整个代码架构理了理，画了如下这张图： (*) 假设原始图片大小是599x900主体部分分为这几大部分：Transform，主要是对输入图像进行转换Resnet-50，主干网，主要是特征提取FPN，主要用于构建特征金字塔给RPN提供输入特征图RPN，主要是产生regi
转载
2024-03-15 08:23:55
295阅读
本代码是基于《【北京大学】人工智能实践：Tensorflow笔记 》课程B站链接自行编写的程序，使用1版本的tensorflow，2版本可使用以下代码兼容：import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()有关细节： 1.cifar-10 数据集 50000张用于训练，10000张用于测试 2.使用BN批规范化（训练时保存滑动平均值
转载
2024-07-11 05:10:01
74阅读
目录Tensorflow2.0笔记4.5 ResNet4.6总结4.5 ResNetimport tensorflow as tf
import os
import numpy as np
from matplotlib import pyplot as plt
from tensorflow.keras.layers import Conv2D, BatchNormalization, Acti
前面我们多次提到了字符串，字符串是多个字符的集合，它们由" "包围，例如"http://c.biancheng.net"、"C语言中文网"。字符串中的字符在内存中按照次序、紧挨着排列，整个字符串占用一块连续的内存。当然，字符串也可以只包含一个字符，例如"A"、"6"；不过为了操作方便，我们一般使用专门的字符类型来处理。初学者经常用到的字符类型是 char，它的长度是 1，只能容纳 ASCII 码表
0. 背景 这篇论文是 ILSVRC 2015 年冠军，由 MSRA 何凯明团队提出，提出了迄今为止最深的网络——152 层的神经网络构成分类器，并且提出解决随着层数增加，训练误差增大的方案。1. 问题深度学习随着层数增加，效果变好。举例：Alexnet是10层，VGG16，VGG19越来越好；早期使用全连接网络时，有梯度消失/陡增现象（gradient vanishing/exploding）
转载
2024-10-17 20:16:55
47阅读
ConvNext是在ResNet50模型的基础上，仿照Swin Transformer的结构进行改进而得到的纯卷积模型，当然原生模型是一个分类模型，但是其可以作为backbone被应用到任何其它模型中。ConvNext模型可以被称之为2022年cv算法工程师抄作业必备手册，手把手教你改模型，把ResNet50从76.1一步步干到82.0。【0】【1】【2】论文名称：A ConvNet for th
3、详细的计算过程首先 F t r F_{tr} Ftr这一步是转换操作（严格讲并不属于SENet，而是属于原网络，可以看后面SENet和Inception及ResNet网络的结合），在文中就是一个标准的卷积操作而已，输入输出的定义如下表示： 那么这个 F t r F_{tr} Ftr的公式就是下面的公式1（卷积操作， V c V_{c} Vc表示第c个卷积核， X s X^{s} Xs表示第s个
转载
2024-07-30 08:45:50
217阅读
文章目录一、项目简介1、问题描述2、预期解决方案3、数据集4、背景知识4.1、Intel oneAPI4.2、ResNet50二、数据预处理1、自定义数据集类2、图像展示3、数据增强4、划分训练集与测试集5、构建数据集三、在GPU上训练1、自写ResNet网络2、使用ResNet503、训练模型4、保存模型5、推理测试四、转移到 CPU 上1、构造测试集2、创建模型3、推理测试4、OneAPI
转载
2024-07-10 16:09:48
198阅读
十二、复现SOTA 模型：ResNet大名鼎鼎的残差网络ResNet是深度学习中的一个里程碑式的模型，也深度学习中的一个重要概念，几乎各类视觉任务中都能见到它的身影。不同于前面的经典模型，resnet一个深层网络，它是由来自Microsoft Research的4位学者何凯明、张翔宇、任少卿、孙剑共同提出的，论文是《Deep Residual Learning for Image Recognit
