name: "AlexNet"
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param { # 对输入做227*227的随机裁剪，同时做镜像来扩大样本数量，来降低过拟合的问题。按照alex论文的说法，TRAIN会扩大20
转载
2024-07-17 06:57:00
71阅读
链接: https://pan.baidu.com/s/1qdAoL8oMJ75MdIL1tUsS1w提取码: 1n05
原创
2021-08-13 09:29:28
519阅读
NLP系列之预训练模型（一）：ELMo1.介绍Deep contextualized word representations获得了NAACL 2018的outstanding paper award，其方法有很大的启发意义。近几年来，预训练的word representation在NLP任务中表现出了很好的性能，已经是很多NLP任务不可或缺的一部分，论文作者认为一个好的word represen
转载
2024-06-25 22:14:47
124阅读
问题导读： 1、如何理解用户输入查询语句？ 2、如何根据得到的文档和查询语句的相关性，对结果进行排序？ 3、如何计算权重(Term weight)过程？4、如何判断Term之间的关系从而得到文档相关性？ 搜索索引到这里似乎我们可以宣布“我们找到想要的文档了”。然而事情并没有结束，找到了仅仅是全文检索的一个方面。不是吗？如果仅仅只有一个或十个文档包含我们查询的字符串，我们的确找到了。然而如
一、利用博客来做博客是一种最早期的软文发布平台了，如果你想要进行网络推广引流和达到很好的品牌宣传目的话，就可以选择博客的方式，需要注意的是要选择权重比较高的第三方博客，这样子可以得到更好的效果。对于现在的各类博客中，新浪博客是比较具有优势的，我们需要在博客上找到自己行业的分类，然后在里面搭建一个专属于自己网站发布信息的页面，然后设置好SEO标签，头像的选择可以使用我们的品牌logo，或者是主要售卖
转载
2024-03-09 17:25:47
82阅读
Attention（注意力机制）在NLP、图像领域被广泛采用，其显而易见的优点包括： （1）从context中捕捉关键信息； （2）良好的可视性和可解释性。我们常用QKV模型来理解Attention，Q指query，K指key，V指value。其整个流程包括三个步骤（如下图）： （1）Attention Score。通过Q和K的计算，得到各元素的attention score； （2）Alignm
MobileNet v2在MobileNet的基础之上添加了类似ResNet网络结构，并在残差快内运用深度可分离卷积将残差快内将两个3x3的卷积核改为两个1x1和一个3x3的深度可分离卷积，该网络结构首先使用1x1的点卷积对输入图像的通道数目进行扩张，之后利用3x3的深度可分离卷积提取每一个通道的特征，最后再利用1x1的点卷积对特
论文笔记：ResNet论文笔记论文地址1、 正文1.1、提出问题1.2、分析问题1.3、提出假设1.4、实验结果2、网络细节2.1、ResNet系列具体结构2.2、三种shortcut connections实现细节2.3、两种bottleneck实现细节3、论文复现 论文地址Deep Residual Learning for Image Recognition1、 正文注：笔记仅供参考，可能
一、下载及项目介绍打开github搜索YOLOV5，我这里选择最新版本6.2，大家直接戳链接下载https://github.com/ultralytics/yolov5/tree/v6.2
点击右边的release，查看项目介绍在当前文件中发布的权重文件网络介绍 举例：二、环境配置用pycharm打开，先配置解释器，再启动环境安装项目需要的库，在终端运行安装pycocotools会报错，单独在终
文章目录创新点算法的整体架构自适应阈值（Adaptive threshhold）二值化标准二值化可微二值(differentiable Binarization)直观展示可形变卷积（Deformable convolution）标签的生成PSENet标签生成DBNet标签生成损失函数后处理代码阅读数据预处理入口AugmentDetectionData（数据增强类）RandomCropData（数据
作者： Maxime Boucher, Thomas Dimson Instagram的优势在于：虽然公司规模小，却拥有相对大得多的基础设施架构，在恰当的时候还能利用资源以借助Facebook十年来积累的经验。Facebook的“Unicorn”搜索架构是一款以社交图谱为基础的搜索引擎，可扩展至包含上万亿个文档的索引。2015年初，Instagram将所有的搜索架构从Elasticsearch转
安全研究员John Page在3月27日向发现了微软的一个XXE漏洞并向其报告了具体情况，随后于4月10日发布了漏洞详情。目前，虽然微软还未修复该漏洞，但已发布了一个微密码，可拒绝远程攻击者泄漏本地文件以及限制在本机上的活动。关于该漏洞，研究人员专门发布了一个视频用于展示如何利用：漏洞简介当用户在打开使用Edge浏览器下载的特制MHT文件时，该漏洞便可启动。由于此类文件是MHTML We
模型三大利器我们已经了解了修改器和搜索器，如果还不是特别理解的可以参考之前的博客。今天来总结下获取器的用法，其实获取器是最容易理解的，但却又是最容易困惑和出问题的。定义获取器获取器的作用是对模型对象的（原始）数据做出自动处理。一个获取器对应模型的一个特殊方法（该方法必须为public类型），方法命名规范为：getFieldNameAttrFieldName为数据表字段的驼峰转换或者你数据表不存在的
以R-CNN思路及其基础整理和SPP-net为基础，我们便可以很好理解 Fast-RCNN。一、整体结构 Fast-RCNN的整体结构主要由这几部分组成：1.对输入图片用区域推荐算法获得2000个区域，并记录下框的坐标和索引；2.用卷积神经网络对图片进行特征提取，并且将框同样映射到特征空间(也就是对应到特征图上应该在什么位置)；3.将
把AppStore搜索权重影响因素做了个排序 App name->Keywords->Description->评价->Copyright 1.先说App name优化，最近也有不少文章都报道过应用名字的重要性。但是重点是优化那些词能针对于有帮助才是重点。 目前国内能参考的数据基本上没有。但是有一个网站的数据准确性还是很不错的，参考价值极大。ann9.com推
转载
2024-08-16 17:41:53
16阅读
本篇博客是对KNN关键知识点的总结，包括以下几个方面：1.KNN原理介绍kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠
转载
2024-04-03 07:41:18
96阅读
目标检测网络兴起的那几年,最火的就是大家所熟知的R-CNN系列,正是因为R-CNN系列是two-stage两阶段的检测网络,所以其检测速度比较慢,这个时候就有大神将two-stage整合成one-stage,设计出了YOLO网络,意思是you only look ones,下面就讲解一下YOLO网络的检测原理网络结构YOLO
