MXNet之ps-lite及parameter server原理
pytorch 分布式训练 distributed parallel 笔记
假設新增加的層命名爲：NEW 1. 在src/proto的LayerParameter 的 LayerType下 加 NEW= 數字； 2. 在src/layer_factory.cpp中， 加 case LayerParam
微軟研究院大神Ross Girshick新作：fase CNN，測試速度比RCNN快200倍。 文章：http://arxiv.org/pdf/1504.08083v1.pdf 代碼：https://github.com/rbgirshi
生成式對抗網絡（GAN，generative adversarial network）由 Goodfellow 等人於 2014 年提出，它可以替代VAE來學習圖像的潛在空間。 ''' # 它能夠迫使生成圖像與真實圖像在統計上幾乎無
損失函數設計： 1、目標檢測領域：不提倡使用預測框座標與GT座標的差值進行損失函數統計，因爲座標差值會受座標尺寸大小影響，座標 尺寸大的時候，差值相對大，座標尺寸小，差值相對小。 改進：使用IOU，IOU不受座標尺寸因素的影響。 （兩種座
學習背景 我是一個可以說混了4年的 phper，高不成低不就的。每天寫業務邏輯，改 bug，日復一日。 爲啥一個 phper 幹了那麼久現在才學 python 呢？是否不務正業什麼的？其實我在17 ~ 18年就開始接觸 pytho
1. 問題描述 想把從圖像手工生成的特徵和經過backbone提取的特徵concatenate起來再進入網絡後面的層： x_added_coord = torch.cat([x_backbone, x_coord], 1) 報錯： Ru
1. 問題描述 Dataloader每讀完一個batch中間會間隔2s左右，很浪費時間，而且確定不是由於Dataset的__getitem__()複雜導致的。並且有一個規律，如果設置num_works=4，會出現4個batch一批很快，然
R-CNN (Region-based CNN features) 性能：RCNN在VOC2007上的mAP是58%左右。 簡述：R-CNN要完成目標定位，其流程主要分爲四步： 1.輸入圖像 2.利用選擇性搜索(Selectiv
1、關於一個事件或對象的描述，稱爲一個“示例”（instance）或“樣本”（sample），“示例”或“樣本”的集合稱爲一個“數據集”（data set）。 例如，（色澤=青綠；根蒂=蜷縮；敲聲=濁響），（色澤=烏黑；根蒂=
首先，要由人工智能之父圖靈說起。 圖靈曾經有個夢想卸載《計算機器與智能》（1950）一文中，如果有一天，計算機能夠做到，隔着牆，你根本分不清對面和你交流是一個人還是計算機，那麼這臺計算機就具有了人工智能。 接下來的半個世紀裏
首先構建好用於學習的模型，也就是各個層用什麼激活函數、輸出層的如softmax函數、各層神經元的個數、損失函數等等。 然後使用訓練數據集來不斷的調整模型的參數（學習）。 具體怎麼做的？ 首先設定一個初始參數。然後開始學習，計
反向傳播用來計算導數，但這個不是反向傳播的特性，這個導數怎麼算是要自己來寫的！把每一層的結點的導數計算公式封裝在結點內部後，再來使用反向傳播，反向傳播的特性就是：鏈式法則，或者說反向傳播是符合鏈式法則的，有了這個前提，我們纔可以
caffe-車尾識別 opencv，caffe，傳統方法和深度方法結合 http://weibo.com/PVl32019.01.075t3p/2313474325750605004851/wenda_home http://weibo.
The training and validation sets are used during training. for each epoch for each training data instance
定義 一個變量的當前值和以前所有值的加權平均 公式 t=0t=0t=0時，Vt=0V_{t} = 0Vt=0 t>0t>0t>0時，Vt=βVt−1+(1−β)θtV_{t} = βV_{t-1} + (1-β)θ_{t}Vt
