Fast R-CNN是R-CNN的改良版，同时也吸取了SPP-net中的方法。在此做一下总结。 论文中讲到在训练阶段，训练一个深度目标检测网络（VGG16），训练速度要比R-CNN快9倍左右，比SPP-net快3倍左右。在测试阶段，处理一张图片需要0.3s。在PASCAL VOC 2012数据库上的mAP也达到了66%，比R-CNN高两个百分点。 提出背景 这个方法提出的背景是，R-CN
转载
2024-09-14 13:11:32
23阅读
# 如何在PyTorch中实现每个轮次的显存占用监控
在进行深度学习模型的训练时，显存（GPU内存）的管理是一个非常重要的部分。显存不足可能导致程序崩溃或训练速度缓慢。因此，监控每个轮次的显存占用情况是非常有必要的。本文将指导你通过几个步骤如何实现这一功能。
## 流程步骤
| 步骤 | 描述 |
|------|---------
原创
2024-09-24 08:24:15
90阅读
LDA背景LDA（隐含狄利克雷分布）是一个主题聚类模型，是当前主题聚类领域最火、最有力的模型之中的一个，它能通过多轮迭代把特征向量集合按主题分类。眼下，广泛运用在文本主题聚类中。
LDA的开源实现有非常多。眼下广泛使用、可以分布式并行处理大规模语料库的有微软的LightLDA，谷歌plda、plda+，sparkLDA等等。以下介绍这3种LDA：LightLDA依赖于微软自己实现的multive
作者：hzwer总结一下在旷视实习两年来的炼丹经验，我主要做了一些 RL，图像质量，图像分类，GAN 相关的任务，日常大概占用 5 - 10 张卡。『可复现性和一致性』有的同学在打比赛的时候，从头到尾只维护若干份代码，每次载入前一次的训练参数，改一下代码再炼，俗称老丹。这样会有几个问题：某次引入一个 bug，过了很久才发现，然后不知道影响范围；得到一个好模型，但是不知道它是怎么来的；忘了自己的 b
转载
2024-05-24 10:01:21
36阅读
一、CNN训练注意事项神经网络训练采用的方法是SGD，严格意义上是Mini-batch SGD。过程如下：1、SGD过程不断循环如下过程： （1）采样一个 batch 数据(比如 32 张 ， 可以做镜像对称)：即每次是在这32张图片里求梯度，不是全局也不是一张。在采样数据的过程中可以对图像做镜像对称，镜像对称并不影响图像内容。 （2）前向计算得到损失loss。 （3）反向传播计算一个batch上
转载
2024-05-02 21:50:24
70阅读
一）简介 继2014年的R-CNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。与R-CNN相比，Fast R-CNN训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒，在PASCAL VOC 2007上的准确率却相差无几，约在66%-67%之间。二）Fast R-CNN介绍2.1）SPPNet简介 在介绍F
转载
2023-10-08 08:26:52
189阅读
1.训练集、验证集、测试集。训练集、验证集和测试集。训练集用于训练模型，验证集用于模型的参数选择配置，测试集对于模型来说是未知数据，用于评估模型的泛化能力。初始化权重矩阵。2.CNN(卷积)、RNN(循环)、GNN（混合）。 3.卷积：CV、循环：NLP、混合：图机构数据。 4.卷积：输入层、隐藏层、输出层；卷积层、池化层、全连接层。 5.卷积层：用卷积核进行卷积计算；池化层：提取特征；全连接层：
如何才能将Faster R-CNN训练起来？ 首先进入 Faster RCNN 的官网啦，即：https://github.com/rbgirshick/py-faster-rcnn#installation-sufficient-for-the-demo 先用提供的 model 自己测试一下效果嘛。。。 按照官网安装教程，安装基本需求。 Install
转载
2024-08-08 11:38:43
57阅读
前面我们学习了Faster RCNN的原理流程，特别是RPN网络的原理，详情如下：目标检测算法Faster RCNN详解目标检测算法Fast RCNN详解目标检测算法SPP-Net详解目标检测算法R-CNN详解今天我们主要看下Faster RCNN算法的损失函数以及如何训练？损失函数：从上一期Faster RCNN的算法原理上，我们知道Faster RCNN算法有两部分，一个是用来提取候选框的RP
转载
2024-08-08 12:03:39
81阅读
# 深度学习训练轮次（Epoch）的实现指南
作为一名刚入行的开发者，你可能对深度学习中的训练轮次（Epoch）感到困惑。别担心，这篇文章将为你提供一个详细的指南，帮助你理解并实现训练轮次。
## 训练轮次（Epoch）概述
在深度学习中，训练轮次（Epoch）是一个重要的概念。一个Epoch指的是整个训练数据集被完整地遍历一次。在每个Epoch中，模型会学习到数据集中的模式和特征。通常，模
原创
2024-07-15 20:49:33
608阅读
文章目录实验记录评分标准收获参考资料数据增强部分模型选择设计部分训练部分 实验记录 单个model，224：resize 224 两个model做ensemble，private 没过 boss baseline 验证Test Time Augmentation的作用，确实有作用，提升0.01 Test Time Augmentation + ensemble评分标准收获单个模型训练，离boss
转载
2024-08-08 12:11:11
57阅读
LeNet-5是一个较简单的卷积神经网络。下图显示了其结构：输入的二维图像，先经过两次卷积层到池化层，再经过全连接层，最后使用softmax分类作为输出层。关于CNN参见： LeNet-5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层。是其他深度学习模型的基础，
转载
2024-03-17 23:09:25
78阅读
我才刚刚学习Faster R-CNN，看了好多博客，觉得对知识点讲的很好，但是顺序不对，应该首先讲解总的框架，然后再讲解内部的细节，所以我就自己写了一篇，请大家指正。 Faster R-CNN，可以大致分为两个部分，一个是RPN网络，另一个是Fast R-CNN网络，前者是一种候选框（proposal）的推荐算法，而后者则是在此基础上对框的位置和框内的物体的类别进行细致计算。 不管是RPN还是Fa
转载
2024-05-31 10:25:34
29阅读
深度学习是当今最火的研究方向之一。它以其卓越的学习能力，实现了AI的关键功能。 一般来说，深度学习一次肯定是不够的，那到底学习多少次合适呢？翻了翻各位大牛的研究成果，有训练10个迭代的，有30个，甚至也有1万个以上的。这就让小白迷茫了，到底训练多少次合适？训练的检验标准是什么？有一些大牛上来直接就说训练多少次，也不解释为什么，就说是凭经验，这种我们学不来。还有一些专家给出了一些理由，我
转载
2024-08-20 18:09:28
63阅读
CS231N–神经网络训练一、作业讲解Assignment2：CNN训练作业，预训练与细调，CNN先在ImageNet进行大量数据训练，在在小批量数据中进行训练。1. CNN的迁移学习可以先使用CNN在比如ImageNet这样的大数据集上先进行预训练，熟练好权重和超参数，去掉最上方的分类层，看成是一个固定特征提取器自己的数据量较少的时候可以仅仅替换最后的分类层；如果有中等规模的数据，可以再细调几层
#-*-coding:utf-8-*-
from numpy import *
import operator
from os import listdir
"""
KNN算法的原理：
存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据
与所属分类的对应关系。输人没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，
然后算法提取
数据集VOC2007的数据集格式，主要包括三个部分: JPEGImages Annotations ImageSets/MainJPEGImagesAnnotationsImageSets/Main 这部分非常重要，数据集做不好直接导致代码出现异常，无法运行，或者出现奇怪的错误，我也是掉进了很多坑，爬上来之后才写的这篇博客，希望大家不要趟我趟过的浑水！每一个部分我都会细说的！JPEGImages
建立数据集前言1.要点总结1. 将训练集、测试集、验证集的图片放在三个文件夹中，尽量保证这三个文件夹不在移动2.将图片切割，生成真正的训练集*文件夹需要提前建立，要不会报错*3.测试集、验证集同理4.将切割好的图片数据集建立文件，包含图片位置和标签两个信息。保存txt文件后一定要读一行测试一下文件路径是否正确，我当时忘记了'/'此时数据集建立完成，但教程还没完，因为pytorch读取也很难受5.
转载
2024-04-16 09:50:00
69阅读
上一篇我们分析了XDL的framework的架构设计，了解了XDL的模型构建和运行机制，以及XDL如何将tensorflow作为自己的backend。本篇继续分析XDL的架构设计，重点关注XDL的参数训练过程。样例还是以XDL自带的deepctr(代码位置：xdl/xdl/examples/deepctr/deepctr.py)为例：def train():
...
emb2 =
转载
2024-09-12 14:22:32
109阅读
KNN邻近算法KNN的自述原理参数K值确定K和weights对模型的影响KNN在不同数据集的表现 KNN的自述Km模型仍为有监督的学习算法。它属于一种惰性学习算法，即不会预先生成一个分类或预测模型，用于新样本的预测，而是将模型的构建与未知数据的预测同时进行，该算法与决策术功能类似既可以针对离散性变量作出分类，又可以对于连续型变量作出预测，其核心思想就是比较已知y值的样本与未知y值样本的相似度，然
转载
2024-09-26 09:46:30
69阅读
