作为初学者，最近刚接触Ascend200DK，按照官方的指导一步步搭建起了开发+运行环境，运行的第一个样例就是Mindstudio自带的Resnet50网络，对昇腾AI处理器的强大性能尤为印象深刻。个人习惯会去研究一下源码，这里分享下心得体会，能力有限，水平一般，如果哪里写的不对的，还请指正。对于Mindstudio开发套件，个人理解作用是提供一个简单方便的界面，让代码开发和调试更加顺畅， Min
Resnet50的代码不是由笔者编写，笔者只对代码进行讲解，方便后续使用。原作者博客链接。 为了节省篇幅这里不贴出代码，请访问原作者GitHub查看代码。在阅读本博客前请先了解残差网络的结构和原理，推荐博客。1.ResNet50的网络结构Resnet50包含两个基本的模块：Conv Block和Identity Block。这两个模块的结构图如下所示：从图中可以看到，Identity Block的
转载
2024-03-04 02:30:58
4667阅读
ResNet _make_layer代码理解ResNet构建过程BasicBlock理解Bottleneck理解 ResNet 上图为ResNet的5个 基本结构，为了方便理解，此处以最简单的18-layer为例来展开： 首先我们知道ResNet中对于50层以下的构建块采用的是BasicBlock，而大于50的深层则采用的是Bottleneck，BasicBlock的构建代码如下：class B
转载
2024-04-09 22:40:59
178阅读
# PyTorch中的ResNet-50：概述与实现
ResNet（残差网络）是一种深度学习模型，首次在2015年由何恺明等人提出。ResNet的核心思想是引入“残差学习”，通过使用跳跃连接（skip connections）来避免深度网络训练中的梯度消失问题。ResNet-50是ResNet的一个变种，具有50层网络，非常适合图像分类等多种计算机视觉任务。
## ResNet-50架构
在
原创
2024-07-31 08:10:08
190阅读
计算机视觉(Compute Vision，CV)给计算机装上了“眼睛”，让计算机像人类一样也有“视觉”能力，能够“看”懂图片里的内容。作为深度学习领域的最重要的应用场景之一，在手机拍照、智能安防、自动驾驶等场景均有广泛的应用。同时也出现了一批经典的网络，如AlexNet、ResNet等。本文以典型的图片分类网络ResNet50为例，介绍一下如何使用MindSpore来完成一个CV应用的开
转载
2024-05-09 09:42:48
101阅读
# PyTorch ResNet50：从代码开源到深度学习模型应用
1.1 什么叫梯度消失和梯度爆炸2 How(如何解决该问题)2.1 直观解释2.2 残差是什么2.3 网络结构3 what 结果怎么样 1 Why(该网络要解决什么样的问题)理论上网络越来越深，获取的信息越多，而且特征也会越丰富？ -----------> 一个从业者的正常思维 但是实验表明，随着网络的加深，优化效果
转载
2024-03-20 22:00:19
137阅读
@register_model()
@handle_legacy_interface(weights=("pretrained", ResNet50_Weights.IMAGENET1K_V1))
def resnet50(*, weights: Optional[ResNet50_Weights] = None, progress: bool = True, **kwargs: Any) -&g
转载
2024-04-09 16:27:17
487阅读
注意：巨坑提醒：python版本和mindx sdk有关联，python3.7.5最高支持的mindx sdk版本为2.0.3 如果使用2.0.4版本，会报错： 如果有遇到这类问题的小伙伴一定要记得注意一下Python和MindX SDK的版本哈。 MindX SDK2.0.4推荐Python用3.9.2版本，我的上面使用3.7.5是报错了。基于MindX SDK部署应用的源码介绍Mindx sd
最开始接触到这个ResNet的时候是在看deeplab2的论文的时候，里面用到的是Res101，对于习惯了使用VGG16来作为基本框架的我对于这个101层的网络自然是充满着无比的敬意呀，哈哈。ResNet在各个方面的表现都很优异，他的作者何凯明博士也因此摘得CVPR2016最佳论文奖。我认为VGG16是在AlexNet的基础上加深了网络层次从而获得了优异的结果，就理论上来说，ResNe
ssd模型图示模型原理ssd主要的思想是以cnn做为特征提取网络，例如以resnet50做为提取网络，删除掉resnet后面的全连接层，再增添几层额外的卷基层提取特征，得到不同尺度的特征图，然后我们让这些不同层次的特征图分别预测不同大小的目标，浅层卷积层提取到的是比较细小的特征，越深层的卷积提取到的信息会越丰富，因此我们让浅层的卷积特征图去检测小的目标，让深层的卷积特征图去检测大的目标。 还是直接
转载
2024-04-01 06:16:59
189阅读
pytorch fasterrcnn-resnet50-fpn 神经网络 目标识别 应用 —— 推理识别代码讲解（开源）项目地址二、推理识别代码讲解1、加载模型1）加载网络结构2）加载权重文件3）model状态配置2、图片推理推理——最最最关键的环节到了！boxes:labels:scores:boxes labels scores 是按照顺序对应的3、推理结果转换完整代码 项目地址完整代码放在
转载
2024-08-22 11:42:13
260阅读
