该文是目标检测领域的里程碑论文，是fast-rcnn、faster-rcnn等系列的基础。它首次用深度学习CNN的方式进行目标检测的尝试。取得了性能、准确度均大幅高于传统提取特征方式的结果。一.算法模块1.Region Proposals区域推荐在目标检测时，为了定位到目标的具体位置，通常会把图像分成许多子块，然后把子块作为输入，送到目标识别的模型中。分子块的最直接方法叫滑动窗口法（S
fine-tuning:把已经训练过的模型应用到新的数据集上，相当于继续训练例子：fine-tuning: 先拿CNN在cifar100上训练，然后仅仅修改最后一层softmax的输出节点个数（100改为10），再放到cifar10上训练。训练过程：第一步，fine-tuning训练过程：在CNN神经网络Alexnet的基础上进行训练，我们从原始图片中生成出2000个proposal框，然后将每个
转载
2024-05-19 09:20:26
47阅读
个人理解，有很多错误，推荐看论文。1. rcnn 流程梳理及边框损失函数loss分析预测图像时：对于一张图像，使用select search算法得到大约2000个region proposals(候选区域)；resize候选区域为227*227，送入vgg/alexnet网络提取特征（vgg/alexnet使用imagenet分类模型训练，在voc数据(classes=20)上进行微调，采用倒数第
转载
2017-09-15 16:01:00
179阅读
2评论
RCNN算法总体思路生成2000个建议框，对建议框进行CNN提取特征，SVM 进行目标分类。训练过程：1、准备region proposal。对于训练集中的所有图像，采用selective search方式来获取，最后每个图像获取约2000个region proposal。2、准备正负样本。如果某个region proposal和当前图像上的所有ground truth的IOU大于等于0.5，则该
转载
2024-08-08 22:26:00
81阅读
简介通过深度学习技术搭建残差网络，使用 CompsCars数据集进行车型识别模型的训练，并将训练好的模型移植到了Android端，实现了通过手机扫一扫的方式进行汽车车型识别的功能。项目涉及到的技术点较多，需要开发者有一定的技术功底。如：python语言的使用、深度学习框架pytorch的使用、爬虫脚本的理解、Java语言的使用、Android平台架构的理解等等。虽然属于跨语言开发，但是要求并不高
转载
2024-05-13 15:58:49
127阅读
# PyTorch 模型训练过程指南
在机器学习和深度学习中，模型训练是非常重要的一步。在这篇文章中，我将带您了解如何使用 PyTorch 进行模型训练。我们将详细介绍每一个步骤，确保您能够理解并独立实现完整的训练过程。
## 流程概览
下面是 PyTorch 模型训练的基本流程图：
```mermaid
journey
title PyTorch 模型训练过程
secti
原创
2024-08-22 05:58:23
273阅读
这篇文章是本人学习 《Hands-On-Machine-Learning-with-Scikit-Learn-and-TensorFlow》的读书笔记第三篇。整理出来是希望在巩固自己的学习效果的同时，希望能够帮助到同样想学习的人。本人也是小白，可能很多地方理解和翻译不是很到位，希望大家多多谅解和提意见。Setup# Common imports
import numpy as np
import
电子科技大学电子商务实验室Kai Yip，欢迎同行指正，也欢迎互相指导，学习。广告打完，进入正题。关于程序运行结果的分析请参照我的另一篇博客：Gibbslda有很多版本，我所用的版本为C++版（下载地址http://gibbslda.sourceforge.net/），平台是linux,博主试过windows上运行，有两个主要问题很烦～，一个是path，一个是vc平台太大。最后还是投入了ubunt
前言 本文介绍了libtorch教程中的简单模型搭建基本模块搭建模块化编程的思想非常重要，通过模块化编程可以大幅减少重复的敲代码过程，同时代码可读性也会增加。本章将讲述如何使用libtorch搭建一些MLP和CNN的基本模块。MLP基本单元首先是线性层的声明和定义，包括初始化和前向传播函数。代码如下：class LinearBnReluImpl : public torch::nn::Module
转载
2024-07-18 19:56:01
98阅读
深度学习模型训练过程 一．数据准备 1. 基本原则： 1）数据标注前的标签体系设定要合理 2）用于标注的数据集需要无偏、全面、尽可能均衡 3）标注过程要审核 2. 整理数据集 1）将各个标签的数据放于不同的文件夹中，并统计各个标签的数目 2）样本均衡，样本不会绝对均衡，差不多就行了 3）切分样本集
转载
2020-05-03 19:30:00
364阅读
2评论
今天就简单来聊一下这个问题。1、是有监督还是无监督事实上，很多自然语言处理（NLP）的模型，尤其是上文提到的大语言模型（如GPT系列），都是通过无监督学习或自监督学习的方式进行训练的。也就是说它们不需要人工标注的标签来进行训练。试想一下，训练 GPT 的数据样本大多来自于互联网，如果需要对这些数据进行标注的话，会花费大量的人力，并且很多长文本是没有办法或者很难去标注的。因此这类模型的训练采用的基本
首先是数据集 其中有三个文件包: Annotations：xml格式，包含图片名称，图片尺寸及通道数，图片中的object类别及边界（左上右下四个点） JPEGimages：ipg格式，所有的图片一起，训练集和测试集（按序号命名） imageSets：4个txt文件，训练验证集，训练集，验证集，和测
转载
2019-10-11 15:56:00
356阅读
2评论
机器学习中的两大类参数： 超参数：在模型训练之前需要设置的参数，而不是通过训练得到的参数数据。比如：学习率，深层神经网络隐藏层数。 模型参数：模型要学习的参数，比如：权重W和偏置b，其是在网络训练过程中自动学习和更新。 前向算法：从网络输入到网络最终输出的过程称为前向算法。 反向传播算法(BP)：模 ...
转载
2021-09-29 13:32:00
678阅读
2评论
深度学习基本模型浅析前言台湾李宏毅的深度学习课程说实话讲得还是比较不错的，有需要的话还是比较推荐学习，这篇也是基于它的深度学习基本结构的讲解的总结。 深度学习的三个步骤深度学习首先是我们要构建一个网络，这个网络也就是我们所说的深度学习神经网络模型。深度学习一般可以归纳为下图所示的3个步骤：第一个步骤, 神经网络模型是一个有简单函数组成的复杂的函数，通常我们设计一个神经网络模型（结构），然
转载
2023-10-03 14:50:22
42阅读
找了一个faster rcnn的demo，但是因为初学，即使有一个例程也不太会使用自己的数据集使它正常运行。现记录一下针对自己数据集的修改过程：01 标注数据集第一步：将标注信息放入MyAnnotations标注数据集，由于之前的demo，数据集都是放入VOCdevkit文件夹，方便起见，我们也放入VOC2012文件夹下。同时，为了和PASCAL VOC2012数据集做区分，我们创建MyAnnot
转载
2024-10-11 14:25:46
183阅读
AI模型的训练过程通常包括以下几个步骤：数据准备：首先，需要收集和整理大量的训练数据。这些数据通常需要涵盖不同场景和情况，以便模型能够学会适应各种环境。对于某些任务，如自然语言处理和计算机视觉，数据预处理（如数据清洗、特征提取等）也是必要的。模型设计：根据任务需求，选择合适的神经网络结构。这包括确定网络层数、激活函数、损失函数等。近年来，深度学习模型（如卷积神经网络、循环神经网络等）在许多领域取得
原创
2024-01-10 10:57:55
1749阅读
论文太长了，今天只分析一下ResNet的核心内容之一，即“Deeper Bottleneck Architectures”（以下简称DBA），论文里的原图是这样的：
Deeper Bottleneck Architectures
说实话，画的不怎么样，右边的网络结构就是DBA啦！关于这张图，论文的作者是这么说的
转载
2024-06-25 16:40:10
46阅读
训练train.pytest.py按照验证的写法即可 模型使用的是之前的cifar10_seq模型步骤如下：设置使用的设备（cuda、mps）创建数据集（数据集自定义参照dataset一文）加载数据集创建网络并放到设备上、损失函数、优化器以及其相关参数、冻结权重等其他操作（如tensorboard）设定整个迭代次数，训练，验证训练过程：设置训练模式得到数据与标签，放到要使用的设备得到预测结果，计算
转载
2023-06-16 10:10:10
261阅读
根据本人实践过程和理解写了下文。 一、正样本准备 正样本的选取原则 正样本的尺寸不是必须一致的，但是要和生成的正样本矢量文件中的宽高有相同的比例（训练过程中，会根据矢量文件中设置的宽高，自动对正样本进行缩放，比如我在用程序标注时，框选目标尺寸为30X30，但生产vec文件时填的尺寸为64X64，训练时会自动将框选图像做等比例缩放）；正样本图片应该尽可能包含少的干扰背景信息。在训练过程中这些
转载
2023-10-01 17:21:37
221阅读
