论文：Generative Adversarial Networks 作者：Ian J. Goodfellow 年份：2014年从2020年3月多开始看网络，这是我第一篇看并且可以跑通代码的论文，简单记录一下，有时间会补充。 更多关于GAN的可以看我另一篇：直接讲代码实现部分，这个代码是用pytorch训练GAN，基于MNIST数据集 真实图片：代码：import torch
import tor
转载
2024-03-26 07:27:33
46阅读
今天终于搞到一台带1080独显的PC，之前一直用CPU训练，效率极其低下。训练tensorflow-yolov3这个网络模型，图集400张，4个分类，要训练十多个小时才能看到检出效果，现在可以尝试使用GPU训练了。之前对GPU训练还不太了解，以为要改代码，现在才知道，其实不需要的。关键就是搭建好cuda环境NVIDIA显卡驱动 （https://www.nvidia.cn/Download/ind
转载
2024-04-24 14:09:16
82阅读
今天，我接着跟大家分享一波Java编程。 首先，先创建一个Example11.java文件，然后将下面的代码放进文件中。代码1，如下图：/**
* author:Mr.Pan_学狂
* Start_time:2021/3/29
* Java_Practice
*/
import java.util.*;
//import javax.swing.*;
class Example11{
转载
2023-09-21 15:10:06
41阅读
1. Caffe-SSDMobilenet是替换了SSD中的VGG网络层，因此要首先安装caffe-ssd，参考之前的博客进行配置此处建议先不急着编译，转到第3节，添加DepthwiseConvolution后再进行编译。2. MobileNet首先把chuanqi大神的项目克隆到本地：git clone https://github.com/chuanqi305/MobileNet-SSD.gi
事实上，你的模型可能还停留在石器时代的水平。估计你还在用32位精度或*GASP（一般活动仿真语言）*训练，甚至可能只在单GPU上训练。如果市面上有99个加速指南，但你可能只看过1个？（没错，就是这样）。但这份终极指南，会一步步教你清除模型中所有的（GP模型）。不要让你的神经网络变成这样。（图片来源：Monsters U）这份指南的介绍从简单到复杂，一直介绍到你可以完成的大多数PITA修改，以充分利
代码下载地址：这里采用第三方的MXNet实现版本：https://github.com/pangyupo/mxnet_mtcnn_face_detection参考网页 概要：代码主要是说怎么使用MTCNN算法进行人脸检测，不涉及到训练过程 主要包含三个脚本：main.py、mtcnn_detector.py、helper.py。main.py是代码的入口mtcnn_detect
转载
2024-08-08 22:18:32
63阅读
本文参考自 PyTorch Cookbook（常用代码段整理合集）训练代码示例先放个模型训练的整个 .py 检查版本torch.__version__ # PyTorch version
torch.version.cuda # Corresponding CUDA version
torch.backends.cudnn.versi
转载
2023-10-05 13:03:33
177阅读
from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets("MNIST_data/",one_hot = True) sess = tf.InteractiveSession() def weight_Variabl...
转载
2017-03-10 17:06:00
148阅读
2评论
目录一、前言二、命令模式三、示例介绍四、结构与参与者五、简单的示例代码六、总结6.1 优缺点6.2 应用场景 一、前言本周参加了第十次设计模式研讨会，主题是命令模式，接下来我们来看看该模式的具体内容。二、命令模式命令模式：本质是对命令进行封装，将发出命令的责任和执行命令的责任分开。意图：将一个请求封装为一个对象，从而使我们可用不同的请求对客户进行参数化；比如，对请求排队或记录请求日志，以及支持可
从编程实现角度学习Faster R-CNN（附极简实现）
GoDeep 关注
2018.03.11 15:51* 字数 5820 阅读 1897评论 2喜欢 24 转载自：https://zhuanlan.zhihu.com/p/32404424 1 概述在目标检测领域, Faster R-CNN表现出了极强的生命力,
转载
2024-10-15 09:42:53
28阅读
Step 1 下载Wider Face 数据集可以从官方网站下载Wider Face Training部分并解压缩替换WIDER_train这个文件夹。 因为接下来生成生成negative、positives and part faces的时候，图片数量会变的更炒鸡巨大，所以可以只用一小部分数据试一下，我上传到了百度云，是原始数据的其中两个小的文件夹，提取码kuqw。Step 2 生成
转载
2024-08-01 01:21:43
84阅读
yolo系列是目标识别的重头戏，为了更好的理解掌握它，我们必须从源码出发深刻理解代码。下面我们来讲解pytorch实现的yolov3源码。大部分同学在看论文时并不能把所有的知识全部掌握。我们必须结合代码（代码将理论变成实践），它是百分百还原理论的，也只有在掌握代码以及理论后，我们才能推陈出新有所收获，所以大家平时一定多接触代码，这里我们会结合yolov3的理论知识让大家真正在代码中理解思想。下面我
转载
2024-05-29 00:07:14
72阅读
图像分类通用测试代码设备选择运用生成器的格式，选择GPU其中哪片"cuda:0" 或者cpu "cpu"，然后，输出使用的设备。device = torch.device("cuda:0" if torch.cuda.is_avalible() else "cpu")
print("using {} device.".formate(device))图片转换操作定义字典形式的data_transf
转载
2024-06-08 22:38:48
116阅读
if epoch % p['epoch_size'] == p['epoch_size'] - 1:
lr_ = utils.lr_poly(base_lr=p['lr'], iter_=epoch, max_iter=nEpochs, power=0.9)
print('(poly lr policy) learning rate: ', lr_)
optimizer =
转载
2023-10-05 22:30:16
113阅读
作者丨Jack Stark@知乎导读本文是PyTorch常用代码段合集，涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面，还给出了多个值得注意的Tips，内容非常全面。PyTorch最好的资料是官方文档。本文是PyTorch常用代码段，在参考资料[1](张皓：PyTorch Cookbook)的基础上做了一些修补，方便使用时查阅。1. 基本配置导入包和版本查询import
转载
2024-05-08 15:38:55
72阅读
目录线性回归单变量线性回归梯度下降正规方程 线性回归线性回归是一种有监督的学习，解决的是自变量和因变量之间的关系。 线性回归模型预测：单变量线性回归因为只含有一个特征/输入变量,因此这样的问题叫作单变量线性回归问题。选择不同的参数值，就会得到不同的直线。对于假设函数所预测出来的值和实际值之间的差距就是建模误差，也就是存在着一个代价函数cost function。我们的目标就是减少假设函数预测数来的
转载
2024-04-14 20:53:30
65阅读
-transfomer
—__init__.py
—Beam.py
—Constants.py
—Layers.py
—Models.py
—Module.py
—Optim.py
—SubLayers.py
—Translator.py 下面我们来看一下train.py的源码以及解析： 我使用注释来进行解析，请认真阅读从1到22的注释，不难，希望大家都能看
主要记录一下数据集的制作，看了很多的文章和参考，数据集的制作，因为没有找到一个现成的YOLOV3格式的数据集，就打算自己搞一下，学习一下如何训练数据集的。 1.虚拟机： vmware14+ubuntu16.04 2.darknet
近期，微软亚洲研究院从深度学习基础理论出发，研发并推出了 TorchScale 开源工具包。TorchScale 工具包通过采用 DeepNet、Magneto 和 X-MoE 等最先进的建模技术，可以帮助研究和开发人员提高建模的通用性和整体性能，确保训练模型的稳定性及效率，并允许以不同的模型大小扩展 Transformer 网络。如今，在包括语音、自然语言处理（NLP）、计算机视觉（CV）、多模
这回，是“信息学竞赛选手”AlphaCode，登上了最新一期Science封面。 对，就是那个悄悄潜入10场编程比赛敲代码，成绩超过了一半人类的编程AI。并且就在这篇最新更新的论文中，DeepMind还首次透露了AlphaCode的“一次通过率”：66%。也就是说，AlphaCode近三分之二的提交，都是一次AC（Accepted）的。 CMU博世人工智能中心教授J. Zico
