原创 原理分析-CAM模型可視化(可解釋)

> 前言:模型在訓練的時候,你不知道模型到底學到了什麼,就像是你教一個孩子學習東西,最終你給一兩個示例,孩子分對了,但是孩子真的學習到你想要的區分特徵了麼,也就是說 get 到你的點了麼?模型可視化就是做的這件事情 模型有很多的可

原创 REID介紹(初探)-REID Baseline

前言:該博客較爲適合剛開始從事REID研究的同學,從頭介紹了什麼是REID,REID的應用價值是什麼,並且介紹了一個Baseline,通過這篇博客你應該對REID有了一個大致的瞭解,避免了很多的彎路。 1、什麼是REID?對於

原创 semi-triplet loss在線難分樣本選取深入理解

> 前言:在做REID任務的時候經常會用到triplet loss,後續我們常常會進行模型的優化,其中就包括難分數據的挖掘,也就是讓模型更加關注難分樣本。 兩種方式去實現: 1、離線的方式,就是在挑選樣本的時候進行,一種是在線的方

原创 keras load_model Error

Keras在load_model 時,如果模型中含有自定義Layer或者損失函數的時候會報錯 先看下load_model 的函數定義: 法一:利用 custom_objects 參數 #假設模型包含一個 xxxxLayer 自定

原创 MAP在目標檢測和圖像檢索中的計算(詳細)

前言:該博客沒有進行IOU Precision Recall等指標的計算講解,默認這些基本知識已經掌握,這裏只對 map 中比較難懂且和其他博客中存在歧義的部分進行講解。 目標檢測中的 map 計算: 舉個栗子: Image

原创 model checkpoint保存模型出錯問題分析

問題描述: model在訓練的時候不斷調用 checkpoint 進行模型的報錯,但是在調用的時候回報錯:TypeError: No conversion path for dtype: dtype(’<U49’),當設置只保存模

原创 ELA圖像處理-圖像篡改

前言:在做圖像篡改的時候需要用到ELA圖像信息,該圖像的主要原理是因爲篡改圖像區域的圖像信息和原有圖像不同,將圖像經過一個固定質量壓縮保存後,兩個不同區域表現不同,據此來得到篡改區域的位置。下面是具體的代碼: # 使用 PIL

原创 lambda的嵌套表示

1、簡單使用: func=lambda x : x+2 func(2) # 輸出 4 2、複雜使用 (1)閉包 def get_y(a,b): return lambda x:ax+b y1 = get_y(1,1

原创 python 顯式指定導入模塊(優先級)

在python中,一個文件夾和模塊一樣,可以被當作模塊進行導入。 我目前遇到的兩種需要顯示指定導入的模塊有兩種情況: **1、**有兩個相同但是不同版本的包同時存在,需顯示指定調用某一個版本的包 **2、**遠程調用服務器上的某一

原创 AttributeError : Layer model has multiple inbound nodes

前言:當在一個baseline上做修改(改變原有結構,增/減一些自定義網絡),模型重載並獲得輸入輸出的時候容易出一些問題,就比如這個error: AttributeError: Layer model has multiple

原创 Mobilenet_v2的參數alpha和depth_multiplier

Mobilenet_v2 是一個十分常用的輕量級網絡,很多人直接使用的時候會忽略有兩個參數 alpha和depth_multiplier,這兩個參數也控制着網絡的結構,那麼這兩個參數什麼意思? 首先看下Mobilenet_v1

原创 faster json序列化

前言:在實際的json序列化過程中,json的dump(dumps)方式比較慢,浪費時間,有沒有一種比較快速的替代方式(非自己手動實現並優化)? 使用優化後的orjson庫代替json庫 在實際的項目中 當我們序列化一個矩陣時

原创 自制電動滑板(二)

前言:因爲前段時間一直忙找工作的事情,完事了以後到時又催項目的進度,所以等了好久才進行第二篇的更新。這裏主要說一些代碼的實現,考慮到很多人大家用的單片機不太一樣,所以我就沒必要把整個工程都貼出來(作者的是KL26),有需要的可以留言發郵箱

原创 TensorFlow訓練模型的重載(不需要重定義原有的計算圖)

      前言: 當我們已經訓練好一個網絡之後,並且將模型保存了,那麼當我們想在另一個電腦上使用怎麼辦,對於Keras來說非常簡單,只需要直接load model,然後直接調用predict方法就可以了,但是TensorFlow畢竟封裝

原创 多模型相互嵌套調用,圖衝突BUG(keras/tf)

前言:在普通的任務中,我們經常使用訓練好的模型進行預測推理,單模型的推理任務處理版本的問題應該不會存在其他的BUG。但是在實際的業務處理場景中,往往會使用多個模型共同來處理,一個模型的輸出可能就是另一個模型的輸入之一或者是另一個