谈谈深度学习中的 Batch_Size Batch_Size（批尺寸）是机器学习中一个重要参数，涉及诸多矛盾，下面逐一展开。首先，为什么需要有 Batch_Size 这个参数？全数据集 （ Full Batch Learning ）的形式，这样做至少有 2 个好处：其一，由全数据集确定的方向能够更好地代表样本总体，从而更准确地朝向极值所在的方向。其二，由于不同权重的梯度值差别巨大，因此选取一个全
最近忙于爬坑搭建自己的公网流媒体服务器，RKNN的使用教程写的不太及时，在此对各位朋友说声抱歉。我将继续努力将本人使用RKNN工具进行算法移植、开发的教程分享给大家。 文章目录1.可视化工具的启动2.可视化工具功能介绍3.本人遇到的问题汇总 1.可视化工具的启动RKNN ToolKit有两种使用工具，一种是通过Python工具进行模型转换及量化，另一种通过可视化工具手动选择进行模型转换及量化
转载
2024-06-21 17:27:14
408阅读
一 Value-BasedQ-LearningQ-Learning是RL算法中Value-Based的算法，Q即为Q(s,a)就是在某一时刻的s状态下(s∈S)，采取 动作a (a∈A)能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward。所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。 下面是Q-
转载
2024-09-12 08:39:36
498阅读
最近由于听信了别人的“谗言”，心血来潮想试一试Arch，所以便准备在虚拟机上装一个Arch来看看效果，也算是一次艰难的装系统之路了吧。那么下面打开虚拟机，进入安装界面：首先是分区，Arch给我们提供了一个很好的分区交互工具cfdiskcfdisk #使用cfdisk进行分区选择第二个doc类型，这是将sda设置成MBR类型的分区，之前在遇到这个选项的时候，我下意识的选了第一个GPT，然后
转载
2024-09-24 18:44:48
121阅读
K近邻算法原理下图中，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。 K 最近邻 (k-Nearest Neighbor，KNN) 分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一，1968年由 Cover 和 Hart 提出
转载
2024-05-10 16:10:46
116阅读
因工作需要，需要将目标检测模型 部署在开发板上。在走了很多弯路后 找到一个成功的案例并记载下来这里说一下我现有的硬件设备 。我是购买的RADXA的rock3a开发板 搭载的soc是rk3568这是开发板的正面图，因为瑞芯微针对计算机视觉中的目标检测模型有一套自己的前向推理框架，所以我就着眼于搭载rockchip的开发板rock3a目标检测模型 这里采用的是yolo模型 由于原生yolo
转载
2024-07-05 20:05:07
692阅读
目录Keras简介快速浏览模型安装和导入转换器将Keras模型转换为ONNX摘要和后续步骤参考文献下载源547.1 KB系列文章列表如下：ONNX系列一 --- 带有ONNX的便携式神经网络ONNX系列二 --- 使用ONNX使Keras模型可移植ONNX系列三 --- 使用ONNX使PyTorch AI模型可移植ONNX系列四 --- 使用ONNX使TensorFlow模型可移植ONNX系列五
# 从入门到精通：如何实现"from rknn.api import rknn"
作为一名经验丰富的开发者，我将向你介绍如何实现"from rknn.api import rknn"这个操作。在这篇文章中，我将逐步展示整个流程，并为每一个步骤提供详细的代码示例和解释。
## 整个流程
在介绍每一个步骤之前，我们先来看看实现"from rknn.api import rknn"的整个流程。以下
原创
2024-04-28 10:21:38
324阅读
关于RKNN RKNN 是Rockchip npu 平台使用的模型类型，以.rknn后缀结尾的模型文件。Rockchip 提供了完整了模型转换 Python 工具，方便用户将自主研发的算法模型转换成 RKNN 模型，同时 Rockchip 也提供了C/C++和Python API 接口。
RKNN
转载
2024-05-21 15:24:31
1158阅读
1评论
1 - kd TreeKD树是一种对K维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。KD树其实就是二叉树，表现为对K维空间的一个划分，构造kd树相当于不断的用垂直于坐标轴的超平面将k维空间切分，构成一系列的k维超矩形区域，即kd树就是二叉树在高维上的扩展。kd树的每个节点最后对应于一个k维超矩形区域。kd树搜索的平均计算复杂度是O(logN)。假如维度是k, 而样本点一共N个，那么最
·第一段叫前端（Frontend）：其输入为源代码，输出为中间表示（IntermediateRepresentation，简写为IR，IR也被称作中间代码、中间语言）。IR没有标准语法。各编译器都可以自定义IR。比如LLVM就有LLVM IR，而Java字节码也是一种IR。前端的工作主要是解析输入的源码，并对其进行词法分析、语法分析、语义分析、生成对应的IR等。·第二段叫优化器（Optimizer
转载
2024-07-09 21:17:52
79阅读
目录一、基本概念二、逻辑表达三、物理存储3.1 NCHW3.2 NHWC四、RGB图像数据举例五、不同框架支持 流行的深度学习框架中有不同的数据格式，典型的有NCHW和NHWC格式。本文从逻辑表达和物理存储角度用图的方式来理解这两种数据格式，最后以RGB图像为例来加深NHWC和NCHW数据存储
一、引言 RK3588S支持NPU，提供高达6.0Tops的算力，可以用于部署深度学习项目。本篇文章介绍Yolo v5代码开发、模型转化（RK3588S只支持rknn模型文件）、部署。 使用的RKNN-TooKit2，具体的环境搭建，请参考博文：RK3588(自带NPU)的环境搭建和体验（一
splunk与日志分析splunk的使用splunk配置日志字段提取日志分析场景已知ip，查看行为 splunk的使用在安全服务的多种场景下，我们都离不开日志分析这项工作，特别是在应急与溯源的过程中，日志分析成为快速定位问题的重要方式。轻量级的日志分析我们通常使用文本编辑器或者excel等具备简单筛选功能的工具进行查看，但是对于大量级的日志分析，在很多场景下这些工具不再适用，下面我将介绍splu
转载
2024-09-27 17:05:10
42阅读
最近在利用SSD检测物体时，由于实际项目要求，需要对模型进行轻量化，所以考虑利用轻量网络替换原本的骨架VGG16，查找一些资料后最终采用了google开源的mobileNetV2。这里对学习mobileNet系列的过程做一些总结。mobileNetV1是由google在2017年发布的一个轻量级深度神经网络，其主要特点是采用深度可分离卷积替换了
转载
2024-03-20 12:39:22
232阅读
RKNN-Toolkit转换Tensorflow模型至Rockchip NPU推理并进行性能评估 文章目录RKNN-Toolkit转换Tensorflow模型至Rockchip NPU推理并进行性能评估一、基本知识二、环境部署2.1环境准备2.2安装RKNN-Toolkit（以Python3.6为例）2.3注意事项：三、Tensorflow模型转换、推理及评估3.1在PC上仿真运行3.2在RV11
转载
2024-03-15 15:56:25
918阅读
一、环境说明：1、上位机 主机配置：win10（强制要求win 10）OS专业版 22H2 虚拟化软件：VMware pro 17.0.2； 虚拟机系统：Ubuntu20.04.1（要求>=18.0）；x86-64位- 5.15.0-87-generic（分配处理器内核数4个，300GB（gparted可扩容） ，装机）； 2、板载A：OrangePi 5 Plus 16GB + Micor
1.创建你的包catkin_create_pkg depth_rgb_image2. 将以下代码粘贴到src/depth_rgb_image.cpp#include <stdlib.h>
#include <iostream>
#include <string>
//【1】
#include <XnCppWrapper.h>
#include "o
目录前言一、QAT量化浅析二、YOLOv5模型训练1. 项目的克隆和必要的环境依赖1.1 项目克隆1.2 项目代码结构整体介绍1.3 环境安装2. 数据集和预训练权重的准备2.1 数据集2.2 预训练权重准备3. 训练模型3.1 修改数据配置文件3.2 修改模型配置文件3.3 训练模型3.4 mAP测试三、YOLOv5-QAT准备工作1. 项目克隆2. 安装依赖3. 数据集和权重准备4. 代码修
剪枝在dfs的应用——以切木棒问题为例在dfs中，大致有如下几种剪枝方法：优化搜索顺序 在搜索过程中，可以先从大的开始搜索。道理很简单，以填充空间为例，当我们先用体积大的物体填充时，空间会更快被填满，而剩余可选的决策数就少了。相反，如果从小物体开始，那么还会有很多空间，而可供选择的决策也有很多。排除等效冗余 防止某个方案的重复出现，如对于某些组合，先选择A再选择B和先选择B再选择A的情况，这时我们
