原创 機器學習、深度學習知識點(面試)總結

1、xgboost和gdbt GDBT在優化時只用到一階導數信息,而XGBoost用的時泰勒展開,同時用到了一階和二階信息,並且可以自定義代價函數。損失函數更精確。 XGboost用到了正則項,爲了防止過擬合。 2、防止過擬合

原创 2019目標檢測方法進展簡單總結

參考:https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247487298&idx=1&sn=0c7166808ef88b5c527c8951d1883cec&chksm

原创 簡述多種降維算法

參考:https://mp.weixin.qq.com/s?__biz=MzU2MDY5NTE4NA==&mid=2247484434&idx=1&sn=2d6e82997cf7bf33dd8a28c60c3eae5f&chksm

原创 深度學習CV-圖像數據增強方法

參考:https://mp.weixin.qq.com/s/OjKQBRwXL4xsBdehzRWDKg 總結: 利用keras ImageDataGenerator:做一些簡單的旋轉、變形、歸一化等 ImageDataGener

原创 深度學習技巧

參考:https://mp.weixin.qq.com/s/AGlX6O4Brbm3kUvRMEE6TA 在設計和應用DNN到一個特定的問題上可能會遇到很多挑戰。爲了達到現實世界應用所需的性能標準,對數據準備,網絡設計,訓練和推斷

原创 深度學習模型壓縮與加速綜述

本文轉自微信公衆號SIGAI 全文PDF見: http://www.tensorinfinity.com/paper_167.html 目前在深度學習領域分類兩個派別,一派爲學院派,研究強大、複雜的模型網絡和實驗方法,爲了追求更高

原创 神經架構搜索方法綜述

論文原文(2019):https://arxiv.org/abs/1905.01392 討論常見搜索空間以及基於強化學習原理和進化算法的常用架構優化算法 此外,還將討論約束、多目標架構搜索、自動數據增強、優化器以及激活函數搜索等新

原创 深度壓縮感知-應用於GAN

論文地址: https://arxiv.org/pdf/1905.06723.pdf 壓縮感知(CS,Compressed Sensing)是一種優雅的框架,用於從壓縮信號中恢復稀疏信號。 例如,CS可以利用自然圖像的結構,僅從少

原创 高效輕量級深度模型的研究與實踐

原文: https://mp.weixin.qq.com/s/pWaU4Q2fAL6LcY8nC2eWDw 一、背景 衆所周知,CNN 模型已是現代深度視覺系統的一個核心部分,作爲基礎模型,它起到了特徵抽取器的作用,被應用於很多業

原创 RuntimeError: CuDNN error: CUDNN_STATUS_SUCCESS

版權聲明:本文爲博主原創文章,未經博主允許不得轉載。 問題一:RuntimeError: CuDNN error: CUDNN_STATUS_SUCCESS File "C:\Users\tyy\AppData\Local\Con

原创 win10激活

以管理員身份運行PowerShell 依次輸入以下命令 slmgr.vbs /upk slmgr /ipk W269N-WFGWX-YVC9B-4J6C9-T83GX slmgr /skms zh.us.to

原创 win10+anaconda3+python3.6+CUDA9.0+CUDNN7.0配置tensorflow-gpu=1.8+pytorch-gpu=0.4+opencv

環境:win10+anaconda3+python3.6+CUDA9.0+CUDNN7.0 tensorflow-gpu=1.8: pip install -i https://pypi.tuna.tsinghua.edu.cn/si

原创 深度學習算法總結(從R-CNN到M2Det)

版權聲明:本文爲博主原創文章,未經博主允許不得轉載。https://blog.csdn.net/weixin_44474718/article/details/89414127 僅作爲個人筆記: ● R-CNN(2013.11):二

原创 深度學習相關知識

版權聲明:本文爲博主原創文章,未經博主允許不得轉載。https://blog.csdn.net/weixin_44474718/article/details/89306685 自編碼:是一種非線性降維。這個跟PCA降維一模一樣,只不

原创 深度學習算法總結

版權聲明:本文爲博主原創文章,未經博主允許不得轉載。https://blog.csdn.net/weixin_44474718/article/details/89288051 LeNet(1998):現在一般指LeNet5,(輸入層