感谢中国人民大学的胡鹤老师，人工智能课程讲的很有深度，与时俱进由于深度神经网络（DNN）层数很多，每次训练都是逐层由后至前传递。传递项<1，梯度可能变得非常小趋于0，以此来训练网络几乎不会有什么变化，即vanishing gradients problem；或者>1梯度非常大，以此修正网络会不断震荡，无法形成一个收敛网络。因而DNN的训练中可以形成很多tricks。。1、初始化权重起初
转载
2023-09-14 18:35:32
150阅读
WindowsDNN模块需要opencv版本是3.3以上。配置VS环境加入opencv路径。代码逻辑：预设文件加载路径；加载图片；读取标签文件类别名称，存储到vector变量中。API调用caffe模型；输入图片数据需要格式转换；前向推理模型，得到结果；对结果数据进行reshape，找到结果中比例最大值位置信息；打印对应位置类别名称；main.cpp#include <opencv2/ope
转载
2024-07-01 16:31:49
179阅读
# 用PyTorch训练深度神经网络的例子
深度神经网络（DNN）是一种强大的机器学习模型，常用于图像识别、自然语言处理等领域。PyTorch是一个深度学习框架，提供了丰富的API和工具，使得训练DNN变得简单而高效。在本文中，我们将介绍如何使用PyTorch训练一个简单的DNN模型。
## 准备数据
首先，我们需要准备训练数据。假设我们的任务是对手写数字进行分类，我们可以使用MNIST数据
原创
2024-05-02 04:01:48
129阅读
前言上一篇《OpenCV--自学笔记》搭建好了yolov5的环境，作为目标检测在应用中，最重要的还是训练自己的数字集并推理，所以这一篇就专门来介绍使用yolov5训练自己的数据集，并且用OpenCV的DNN进行推理。实现效果实现yolov5训练自己数据并识别的核心是什么？A实现yolov5训练自己数据集，最核心的是怎么标注文件，像上图中我们就是做的数字华容道的识别，每个数字分类标注时，用到的第三方
转载
2024-05-11 14:39:52
220阅读
yolov5 opencv dnn部署自己的模型github开源代码地址使用github源码结合自己导出的onnx模型推理自己的视频推理条件c++部署c++ 推理结果 使用github源码结合自己导出的onnx模型推理自己的视频推理条件windows 10 Visual Studio 2019 Nvidia GeForce GTX 1070 opencv 4.5.5、opencv4.7.0 (注意
转载
2024-09-01 20:38:27
56阅读
ML2021Spring-Pytorch Turial中的Overview of the DNN Training Procedure图太清晰啦，记录一下：1. Load Data需要对数据进行加载、处理，创建DataLoader，可以将整块数据用DataLoader类处理成小块batch_size形式，后续进行迭代循环，并输入到模型中进行训练。2. Define Neural Network随后
转载
2023-07-14 19:26:31
145阅读
学更好的别人，做更好的自己。——《微卡智享》本文长度为1974字，预计阅读5分钟前言很早就想学习深度学习了，因为平时都是自学，业余时间也有限，看过几个pyTorch的入门，都是一些碎片化的东西，始终串不起来。最近也是正好赶的疫情，出差少了，也是在B站看pyTorch视频时有评论说刘二大人的《pyTorch深度学习实践》讲的好，整个教程看下来后，确实是深入浅出，感觉就是宛然打通自己任督二脉，算是入门
转载
2024-05-13 09:32:50
62阅读
OpenCV DNN模块介绍OpenCV自从发布了DNN模块之后，就开始以开挂的方式支持各种深度学习预训练模型的调用，DNN模块的全称为深度神经网络，但是并不是所有深度学习模型导出到OpenCV DNN模块中都可以使用，只有那些OpenCV声明支持的层与网络模型才会被DNN模块接受,当期OpenCV支持的模型与层类型可以在下面链接中找到相关文档https://github.com/opencv/o
转载
2024-05-22 21:17:19
239阅读
在机器学习和深度学习的开发过程中，训练好的DNN（深度神经网络）模型的测试是至关重要的一步，它直接影响到模型的实际应用效果。在本文中，将详细探讨如何使用Python测试一个训练好的DNN模型。
### 问题背景
在我们的项目中，我们开发了一个深度学习模型用于图像分类。当模型完成训练后，我们需要对其进行测试，以确保它在实际场景中的表现符合预期。如果测试环节出现问题，不仅会导致业务决策失误，还可能
一、总概今年上半年在参加RC比赛，惨不忍睹。然后整个暑假两个月一直都在实习（专业安排），学的都是java web开发，实在没兴趣。最近才抽出空来，把自己的所学做一些总结（已经很久没写博客了）。 最近在学习opencv和deeplearning，之前看过CS231n，对深度学习只懂一些皮毛，更多的是想做一些应用，所以又重新看opencv。opencv很好用，自从opencv3.3出来，已经嵌入了不少
转载
2024-05-20 14:18:08
67阅读
概述
神经网络是深度学习的基础，它在人工智能中有着非常广泛的应用，它既可以应用于咱们前面的章节所说的Linear Regression, classification等问题，它还广泛的应用于image recognition，NLP 等等应用中，当然啦，这一节咱们主要讲述神经网络的最基础的结构以及应用，在后面我会逐渐的讲解基于咱们的这个最简单的神经网络结构的一些其他方面的优化和提升，例如
转载
2023-11-08 20:53:15
76阅读
在用字符识别上进行测试 训练集3000张图片 测试集2000张图片 这3000和2000的图像没有重复的Knn: 目标：将待测物分类成多个类别 输入：待测物（已知类别集合D，其中包含j个已知类别） 输出：项目可能的类别。优点： 算法简单，易于实现，不需要参数统计，不需要事先训练缺点： KNN计算量特别大，而且训练样本必须存储在本地，内存开销也特别大 K的取值（一般不大于20） opencv提供了一
转载
2024-04-03 15:09:44
176阅读
转载
2018-04-04 20:27:00
174阅读
2评论
DNN全连接层（线性层）计算公式：y = w * x + b W和b是参与训练的参数 W的维度决定了隐含层输出的维度，一般称为隐单元个数（hidden size） b是偏差值（本文没考虑） 举例： 输入：x （维度1 x 3） 隐含层1：w（维度3 x 5） 隐含层2: w（维度5 x 2）个人思想如下：比如说如上图，我们有输入层是3个，中间层是5个，输出层要求是2个。利用线性代数，输入是【1×3
转载
2023-08-16 20:07:53
288阅读
是 pytorch 中一个很好用的包，主要由 3 个子包，分别是 torchvision.datasets，torchvision.models 和 torchvision.transforms
参考官网：http://pytorch.org/docs/master/torchvision/index.html
代码：https://github.com/pytorch/vision/tree/m
转载
2023-06-15 17:10:54
359阅读
闲来想完善一下之前做的汽车运动检测的工程，打算认认真真的将整辆车给识别出来，可是唯一的问题是，我手上没有足够的用来做训练的素材，于是从很流行的人脸识别开始，探求一下机器识别的流程如何。花了一些时间，在此作一下笔记。一、使用TBB编译opencv_traincascade.exe会跳到我这篇博文里来的童鞋，多是已经参考网上其他的文章，大概的流程估计已经知晓，文档式的内容我尽量少提。简单的提一下，视觉
转载
2024-02-24 14:20:21
363阅读
文章目录1. PyTorch(1) 认识tensor：表示，numpy转换，简单计算(2) 形状改变：Tensor.view(3) broacasting(4) CUDA: copy tensor from CPU to GPU (or from GPU to CPU )(5) 梯度1) 计算梯度2）简单使用梯度(6) 线性回归(7) 激活函数(8) Sequential(9）损失loss(10
转载
2023-10-08 09:59:16
291阅读
一、初得模型那是一个月之前的事情了，我利用TesorFlow Object Detection API训练了现在目标检测里面应该是最快的网络MobileNet。当时的目的就只是学习整个finetuning的流程，于是我只是用了20张自己标注的人脸样本图片作为训练集去finetuning，训练完之后的模型通过修改TesorFlow Object Detection API自带的例程代码，即objec
转载
2024-05-02 14:59:16
40阅读
基于DNN-HMM的语音识别声学模型结构如下图所示，与传统的基于GMM-HMM的声学模型相比，唯一不同点在于用DNN替换了GMM来对输入语音信号的观察概率进行建模。DNN与GMM相比具有如下优点：DNN不需要对声学特征所服从的分布进行假设；DNN的输入可以采用连续的拼接帧，因而可以更好地利用上下文的信息；DNN的训练过程可以采用随机优化算法来实现，而不是采用传统的批优化算法，因此当训练数据规模较大
转载
2023-10-28 13:14:51
251阅读
深度神经网络（Deep Neural Networks， 以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。 1. 从感知机到神经网络 在感知机原理小结中，我们介绍过感知机的模型，它是一个有若干输入和一个输出的模型，如下图: 输出和输入之间学习到一个线性关系，得到中间输出结果： 接着
转载
2024-08-09 17:33:49
84阅读
