引言自从5月份第一期Mindspore两日集训营开始接触Mindspore以及通过第一期训练营拿到Modelarts昇腾平台公测资格，两个月来已经运行了Mindspore官方仓库中Modelzoo中的AlexNet、Resnet50、Lenet模型配合Cifar10数据集的代码运行。并且不断的调参观察不同参数下的运行结果的不同顺便也练一下调参能力。自从Mindspore0.3后发现Modelzoo
转载
2024-08-21 14:05:36
285阅读
看过我之前ResNet18和ResNet34搭建的朋友可能想着可不可以把搭建18和34层的方法直接用在50层以上的ResNet的搭建中，我也尝试过。但是ResNet50以上的网络搭建不像是18到34层只要简单修改卷积单元数目就可以完成，ResNet50以上的三种网络都是一个样子，只是层数不同，所以完全可以将34到50层作为一个搭建分水岭。 加上我初学PyTorch和深度神经网络，对于采用Basic
转载
2023-09-13 11:44:07
256阅读
计算机网络的拓扑结构把网络抽象为链路和结点的集合。总线网络：网络中所有结点都连接在同一条总线中，可以双向传播。网络中不需要插入任何其他的连接设备，网络中任何一台计算机发送的信号都沿同一条共同的总线传播，而且能被其他所有结点接收。星状网络(集中控制式网络结构)：各个结点都由一个单独的通信线路连接到中心结点上。中心结点控制全网的通信，任何两台计算机之间的通信都要通过中心结点来转接。环状网络：网络中所有
转载
2024-04-26 15:01:31
137阅读
yolov5修改骨干网络–原网络说明yolov5修改骨干网络-使用pytorch自带的网络-以Mobilenet和efficientnet为例yolov5修改骨干网络-使用自己搭建的网络-以efficientnetv2为例yolov5l网络示意图：以yolov5s为例（模型都是在yolov5l上修改了depth_multiple和width_multiple，上面图形是画的yolov5l的，下面的
UNet解读UNet论文UNet的简介代码解读DoubleConv模块Down模块Up模块OutConv模块整个UNet参考资料 UNet论文UNet论文地址UNet的简介UNet是一个对称的网络结构，左侧为下采样，右侧为上采样；下采样为encoder，上采样为decoder;四条灰色的平行线，就是在上采样的过程中，融合下采样过程的特征图的通道，Concat
原理就是：一本大小为10cm
转载
2024-04-22 11:24:25
2435阅读
Backbone概览及参数# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# YOLOv5 v6.0 backbone
backbone:
# [from, number, m
ResNeSt: Split-Attention Networks? PDF Link ? Github Code Attention是个好东西。?Section 1 介绍分类网络结构是其他大多数任务的网络设计的基础。基于骨架网络，许多其他任务使用了如金字塔模块或者long-range连接，又或者是跨通道的特征图注意力机制来提升特定任务下的模型性能。这就引出了一个问题：能否可以创建一个全能的网络，
王老师开讲啦
王老师是中原动力人工智能骨干研发人员之一，技术深厚，今后会由王老师陆续带来人工智能方向技术干货，以飨读者。欢迎交流。 针对image_demo.py的解析
tf.keras.layers.Input 构建输入层 input_layer = tf.keras.layers.Input([input_size, input_siz
《ResNeSt: Split-Attention Networks》代码：https://github.com/zhanghang1989/ResNeSt 论文：https://hangzhang.org/files/resnest.pdf摘要近年来，图像分类模型不断发展，但由于其结构简单、模块化，大多数下游应用如目标检测、语义分割等仍然采用ResNet变体作为骨干网络。我们提出了一个modul
@目录0. 论文链接1. 概述2. 网络结构2.1 卷积核2.2 池化核2.3 全连接层3. 训练4. 测试5. 其他6.参考链接0. 论文链接论文链接1. 概述 VGG提出了相对AlexNet更深的网络模型，并且通过实验发现网络越深性能越好（在一定范围内）。在网络中，使用了更小的卷积核(3x3)，stride为1，同时不单单的使用卷积层，而是组合成了“卷积组”，即一个卷积组包括2-4个3x3卷
转载
2024-04-11 21:18:08
703阅读
机器学习中，伴随着更多高质量的数据标签，有监督学习模型的性能也会提高。然而，获取大量带标注数据的代价十分高昂。按照AI行业的膨胀速度，如果每个数据点都得标记，「人工智能=有多少人工就有多智能」的刻薄笑话很可能会成为现实。不过一直以来，表征学习、自监督学习等办法的「下游效能」至今未能超出有监督学习的表现。2022年1月，DeepMind与牛津大学、图灵研究院针对此难题，联合研发出了RELICv2，证
过拟合先谈谈过拟合，所谓过拟合，指的是模型在训练集上表现的很好，但是在交叉验证集合测试集上表现一般，也就是说模型对未知样本的预测表现一般，泛化（generalization）能力较差。如图所示 （图片来源：coursera 吴恩达机器学习公开课）从图中可以看出，图一是欠拟合，模型不能很好地拟合数据；图二是最佳的情况；图三就是过拟合，采用了很复杂的模型。最后导致曲线波动很大，最后最可能出现
转载
2024-04-12 04:52:16
393阅读
目标任务：将数据集中5类美食图片进行分类，每一类有1000张图片，共5000张。实验总结：刚开始设置训练集和验证集的比例为8:2，有些欠拟合，因此后来调整到了9:1；分别测试了原生的ResNet50、ResNet101、ResNet152和改进后的ResNet50、ResNet101，但最终在验证集上的最佳精度只能达到75%左右。改进后的ResNet101表现：训练集和验证集的精确度变化 
转载
2024-05-15 11:04:01
197阅读
Tensorflow2.0—SSD网络原理及代码解析（三）- 特征提取网络model = SSD300(input_shape, NUM_CLASSES, anchors_size)这行代码进行SSD特征提取网络的构建。一起来看看内部代码是如何实现的~ 首先，先进行VGG16网络的搭建。 上述就是VGG16网络，用一个dict按照name进行保存。然后return回SSD特征提取网络代码中。接下来
转载
2024-05-14 22:56:43
111阅读
出处论文：Deep Residual Learning for Image Recognition作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian SunImageNet Top5错误率： 3.57%主要思想主要体现在 Residual(残差)，从名字就可以看出，不学绝对值，而学差值。不去学绝对的完全重构映射，只学映射后相对于原来的偏差，即和iden
转载
2024-09-18 14:53:46
117阅读
吴恩达的深度学习课程非常棒，从网上下载了学习笔记和作业，跟着笔记学习并完成后面的作业，受益匪浅。这里谈谈我在完成第四课第二周作业《4.2 深度卷积网络模型》中《ResNets》部分所遇到的坑首先根据作业提示搭建ResNet50的网络模型，这个不复杂，根据提示一步一步做就可以完成了，晚上也有相当多的作业资料可以参考。训练时作业只要求epochs=2，为了提高精度，我设置了epochs=8，模型在训练
转载
2024-04-18 21:28:58
93阅读
通过 yolov5修改骨干网络–原网络说明 我们知道：yolov5.yaml中存放的是我们模型构建参数，具体构建过程在yolo.py中的parse_model函数，通过循环遍历yolov5.yaml给的参数，去寻找网络名称，并将args的参数传入网络，下面先用pytorch自带的mobile网络进行修改并替换原有yolov5网络。网络都是分层次的，比如如果把某个网络模型Net按层次从外到内进行划分
转载
2024-09-25 15:02:10
616阅读
文章目录前言一、什么是YOLOv6二、环境搭建1、部署本项目时所用环境2、LabVIEW工具包下载及安装三、模型的获取与转化1、方式一：直接在官网下载yolov6s的onnx模型2、方式二：将标准模型pt转化为onnx（较为复杂）四、在LabVIEW实现YOLOV6的部署推理1、查看模型2、项目运行五、完整项目下载链接总结 前言YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用
方法概括 R-FCN解决问题——目标检测整个R-FCN的结构一个base的conv网络如ResNet101, 一个RPN（Faster RCNN来的）,一个position sensitive的prediction层，最后的ROI pooling+投票的决策层R-FCN的idea出发点（关键思想）分类需要特征具有平移不变性，检测则要求对目标的平移做出准确响应。现在的大部分CNN在分类上可以做的很
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
