时隔一年半，现在遇到的不能解决的BUG基本少之又少，似乎没有什么要补充的了。大多数人会遇到的BUG主要在安装包、显存爆、维度不匹配、forward不规范、调用函数不规范、cuda驱动没有正确安装。深入一点的话，会遇到梯度计算问题、多线程问题、fp16/32不匹配问题等等，在此做个留言贴，欢迎大家互助填坑。---------------------------------------分割线-----
转载
2024-06-03 17:09:43
69阅读
目录论文主要内容DeepFool算法原理二分类问题非线性问题多分类问题实验结果 论文主要内容提出了一种新的计算对抗样本的方法：DeepFool算法通过实验，验证了DeepFool算法所添加的扰动更小，同时计算对抗样本所消耗的时间也更少实验也说明了，如果使用不恰当的算法（如FGSM算法）来验证分类器的鲁棒性，那么可能会对分类器的鲁棒性（Robustness）评估过高。DeepFool算法原理De
转载
2024-01-12 19:42:05
54阅读
我正在从事立体视觉任务，我想了解立体视觉相机和物体之间的距离。 我正在将Matlab与计算机视觉系统工具箱一起使用。我已经使用"用于Matlab的相机校准工具箱"对相机进行了校准，因此，我具有左右相机的固有参数和外部参数(右相机相对于左相机的位置)。 我也有一副校正过的图片和他们的视差图。 为了估计视差，我使用了Matlab函数disparity()。 我知道相机的基线和焦距，但是我的结果仍然是错
如果你正在阅读这篇文章，希望你能体会到一些机器学习模型是多么的有效。研究不断推动ML模型变得更快、更准确和更高效。 然而，设计和训练模型的一个经常被忽视的方面是安全性和健壮性，特别是在面对希望欺骗模型的对手时。本教程将提高您对ML模型的安全漏洞的认识，并将深入了解对抗性机器学习的热门话题。 您可能会惊讶地发现，在图像中添加不可察觉的扰动会导致截然不同的模型性能。 鉴于这是一个教程，我们将通过一个图
转载
2023-11-19 16:28:19
4阅读
Deep Learning（深度学习）学习笔记整理系列之常用模型（四、五、六、七）
九、Deep Learning的常用模型或者方法 9.1、AutoEncoder自动编码器 Deep Learning最简单的一种方法是利用人工神经网络的特点，人工神经网络（ANN）本身就是具有层次结构的系统，如果给
转载
2024-09-20 18:15:25
51阅读
在前面的章节中，我们已经看到了深度学习模型在解决各种计算机视觉任务方面的强大能力。我们在不同的数据集上训练和测试多个模型。现在，我们将把注意力转向这些模型的健壮性。在本章中，我们将介绍对抗样本。对抗样本是一种输入数据，它可以显著地改变模型预测，而不被人眼注意到。由于这一事实，对抗样本可能令人担忧，特别是在安全或医疗保健领域等关键任务中。在开始考虑可能的解决方案之前，了解这些攻击是如何工作的将是有益
转载
2024-06-13 09:28:10
55阅读
翻译自官网教程:SEQUENCE-TO-SEQUENCE MODELING WITH NN.TRANSFORMER AND TORCHTEXT本文是关于如何使用nn.Transformer模块训练序列到序列(sequence-to-sequence)模型的教程。PyTorch 1.2 发布版包括了基于论文Attention is All You Need的标准transformer模块。这个tra
转载
2023-12-29 22:48:38
79阅读
本次学习主要分为三部分，分别是文本预处理、语言模型和循环神经网络。 文章目录文本处理读入文本分词建立词典将词转为索引语言模型n元语法时序数据的采样随机采样相邻采样循环神经网络循环神经网络的构造 文本处理文本处理是针对文本数据（即序列数据）进行建模前的准备工作，通常的处理包含四个步骤：读入文本；分词；建立字典，将每个词映射到一个唯一的索引（index）；将文本从词的序列转换为索引的序列，方便输入模型
转载
2023-11-11 01:53:22
172阅读
从本专栏开始，正式开始研究Python深度学习、神经网络及人工智能相关知识。前一篇文章详细讲解了如何评价神经网络，绘制训练过程中的loss曲线，并结合图像分类案例讲解精确率、召回率和F值的计算过程。本篇文章将分享循环神经网络LSTM RNN如何实现回归预测，通过sin曲线拟合实现如下图所示效果。本文代码量比较长，但大家还是可以学习下的。基础性文章，希望对您有所帮助！文章目录：一.RNN和LSTM
转载
2024-09-04 08:53:21
45阅读
前言：最近在做文本生成的工作，调研发现针对不同的文本生成场景（机器翻译、对话生成、图像描述、data-to-text 等），客观评价指标也不尽相同。虽然网络上已经有很多关于文本生成评价指标的文章，本博客也是基于现有资源的一个汇总，但这些文章大多是对评价指标原理的系统性梳理，很少结合相应的代码实现。我认为还是要使用理论实践相结合的方式，通过代码来辅助我们更好地理解这些评价指标，毕竟我们是要根据这些评
转载
2024-01-08 22:45:09
230阅读
前言本系列教程为pytorch官网文档翻译。本文对应官网地址:https://pytorch.org/tutorials/intermediate/char_rnn_generation_tutorial.html系列教程总目录传送门：我是一个传送门本系列教程对应的 jupyter notebook 可以在我的Github仓库下载：下载地址：https://github.com/Holy-Shin
转载
2024-05-06 10:45:03
175阅读
从单幅自然图像生成图像的技术被广为应用，也因此受到越来越多的
转载
2022-12-31 10:29:50
891阅读
# 缺陷生成GAN 2023
## 引言
缺陷生成是在工业生产中非常重要的一个任务。通过生成缺陷图像，我们可以训练机器学习模型来检测和识别这些缺陷，从而提高生产线的效率和质量。近年来，生成对抗网络（GAN）在生成高质量图像方面取得了巨大的成功，因此使用GAN来生成缺陷图像是一个有潜力的方法。
在本文中，我们将介绍如何使用PyTorch实现缺陷生成GAN模型。我们将首先介绍GAN的基本原理，然
原创
2023-09-19 04:35:12
137阅读
原标题：当机器视觉走进轮胎缺陷检测，人工与AI，谁才是主流如今，车辆已经不是什么稀有品，几乎人手一辆，然而，随着车辆的增加，事故发生率也不断上升，除却驾驶员疲劳驾驶、酒驾等人为因素，由于轮胎的质量问题而引发的事故也不在少数。汽车轴承中的轴套有5个面，每个面在生产过程当中都有可能会产生一些裂口；轮胎背面还会有一些凹坑，或者是在加工过程当中有烧伤，严重的时候5个面可能会有20几种缺陷。如果是人工来检测
转载
2024-08-27 15:07:59
66阅读
一、什么是负样本负样本是指不包含任务所要识别的目标的图像，也叫负图像（Negtive Image)。二、为什么要训练负样本训练负样本的目的是为了降低误检测率、误识别率，提高网络模型的泛化能力。通俗地讲就是告诉检测器，这些“不是你要检测的目标”。三、Faster R-CNN、SSD、YOLO等神经网络模型中的负样本例如在Faster R-CNN中，在RPN阶段，会根据backbone生成的特征图上的
转载
2023-12-06 20:43:06
185阅读
视频学习1. GAN（生成式对抗网络）GAN的框架GAN的工作原理由判别器和生成器组成判别器（Discriminator)：区分真实(real)样本和虚假(fake)样本。对于真实样本，尽可能给出高的评分1；对于虚假数据，尽可能给出低的评分0生成器（Generator)：欺骗判别器。生成虚假数据，使得判别器D能够尽可能给出高的评分1生成器和判器存在着对抗的关系，通过不断的对抗使最终结果无限接近我们
转载
2024-02-05 11:31:40
78阅读
生成式对抗网络GANGenerative Adversarial Nets, 生成式对抗网络生成模型生成式对抗网络（GAN）的目的是训练这样一个生成模型，生成我们想要的数据GAN框架判别器(Discriminator)：区分真实(real)样本和虚假(fake)样本。对于真实样本，尽可能给
出高的评分1；对于虚假数据，尽可能给出低个评分0生成器(Generator)：欺骗判别器。生成虚假数据，使得
转载
2023-08-08 14:19:45
315阅读
论文全称：《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation》论文地址：https://arxiv.org/abs/1511.00561论文代码：python pytorch版本https://github.com/delta-onera/segnet_pytorchpytho
转载
2024-05-21 21:00:37
135阅读
一.文本预处理文本是一类序列数据，一篇文章可以看作是字符或单词的序列，本节将介绍文本数据的常见预处理步骤，预处理通常包括四个步骤： 1.读入文本 2.分词 3.建立字典，将每个词映射到一个唯一的索引（index） 4.将文本从词的序列转换为索引的序列，方便输入模型1.读入文本import collections
import re
def read_time_machine():
# open
转载
2024-01-04 07:36:19
186阅读
在计算机视觉领域，目标检测发展迅速，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体、光伏组件等产品的缺陷检测中，大大提升了制造业的质检效率。机器视觉在工业缺陷检测中的前景毋庸置疑，而工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，都给机器视
转载
2023-08-07 15:45:54
451阅读
