原创 【庖丁解牛】從零實現RetinaNet(七):使用分佈式方法訓練RetinaNet

文章目錄如何把nn.DataParallel模式訓練代碼改爲nn.parallel.DistributedDataParallel分佈式訓練代碼完整分佈式訓練與測試代碼分佈式訓練結果iscrowd問題 所有代碼已上傳到本人gith

原创 【庖丁解牛】從零實現RetinaNet(九):使用COCO預訓練權重在VOC上訓練RetinaNet

文章目錄如何載入COCO預訓練權重完整訓練測試代碼實驗結果 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO-VOC-t

原创 【庖丁解牛】從零實現RetinaNet(八):RetinaNet迴歸loss改進之GIoU、DIoU、CIoU

文章目錄GIoU lossDIoU lossCIoU loss實驗結果 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO

原创 【深度學習訓練小技巧】1080ti與2080ti區別、apex與梯度累加

文章目錄1080ti與2080ti區別在目標檢測和分割任務中使用apex梯度累加(一般不在目標檢測中使用)torch.no_grad() 當我們沒有足夠的顯卡訓練模型時,apex和梯度累加是有效的減少顯卡資源使用的手段。 1080

原创 【庖丁解牛】從零實現RetinaNet(終):不同分辨率下RetinaNet的性能表現

文章目錄 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO-VOC-training 如果覺得有用,請點個star喲!

原创 ubuntu18.04 64位+GTX1070max-q安裝CUDA10.0+CUDNN7.4.2+安裝Anaconda3.5.2+PyTorch1.4+torchvision0.5

文章目錄安裝Ubuntu18.04系統安裝nvidia顯卡驅動Ubuntu18.04系統更換國內軟件源、顯示亮度條、解決ubuntu與win10系統時間差8小時、安裝intelligent pinyin中文輸入法、設置右鍵新建文件

原创 【庖丁解牛】從零實現RetinaNet(一):COCO與VOC數據集處理

文章目錄前言COCO數據集介紹VOC數據集介紹COCO和VOC數據集文件組織結構COCO數據集處理VOC數據集處理 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytor

原创 【庖丁解牛】從零實現RetinaNet(四):Anchor標籤分配與loss計算

文章目錄Anchor標籤分配loss計算 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO-VOC-training 如

原创 【庖丁解牛】從零實現RetinaNet(五):迴歸預測轉換、NMS後處理、decode解碼

文章目錄迴歸預測轉換NMS後處理decode解碼 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO-VOC-traini

原创 【庖丁解牛】從零實現RetinaNet(三):FPN、heads、Anchor、整體網絡結構、切換backbone

文章目錄FPNheadsAnchor整體網絡結構切換backbone 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO-

原创 【庖丁解牛】從零實現RetinaNet(二):RetinaNet中的resize、數據預讀取、數據增強、collater處理

文章目錄RetinaNet中的resize數據預讀取數據增強collater處理 所有代碼已上傳到本人github repository:https://github.com/zgcr/pytorch-ImageNet-CIFAR

原创 【庖丁解牛】從零實現RetinaNet(六):RetinaNet的訓練與測試

文章目錄RetinaNet的訓練在COCO數據集上測試RetinaNet在VOC數據集上測試RetinaNet完整訓練與測試代碼模型復現情況評估 所有代碼已上傳到本人github repository:https://github

原创 base model第七彈:pytorch使用warm up、consine learning rate、label smooth、apex混合精度訓練

文章目錄warm up與consine learning ratelabel smoothapex混合精度訓練 下列代碼均在pytorch1.4版本中測試過,確認正確無誤。 warm up與consine learning rat

原创 CTR預估算法FM、FFM、deepFM原理

文章目錄FM/FFM算法的產生FM算法原理推導FM模型推導FM模型的化簡梯度下降法求解W和VFM與SVM的區別FFM算法原理推導deepFM算法原理deepFM算法結構FM部分deep部分 FM/FFM算法的產生 我們使用傳統的線

原创 基於關鍵點的Anchor Free目標檢測算法:CornerNet、CornerNet-Lite、兩種CenterNet、FCOS原理

文章目錄基於關鍵點的Anchor Free目標檢測算法CornerNetCornerNet網絡結構HeatmapsOffsetsEmbeddingsCorner PoolingHourglass Network訓練細節測試細節Co