原创 RFB-Net論文解讀

論文鏈接:Receptive Field Block Net for Accurate and Fast Object Detection 代碼鏈接:https://github.com/ruinmessi/RFBNet 目前st

原创 網絡結構搜索-綜述

在知乎上編輯的文章,在csdn上貼一下: 網絡結構搜索-綜述 基於ons-shot的nas(上) 基於one-shot的nas(下) nas+detection

原创 PyTorch 學習筆記(十二):強化學習算法之DQN及其變種

這篇文章是我在知乎上寫的,由於裏面有大量公式,所以如何移植過來的話需要手動編輯格式,太麻煩了。。。。我就直接貼個鏈接,想看的可以點進去看: PyTorch 學習筆記(十二):強化學習算法之DQN及其變種

原创 Not All Ops Are Created Equal!

最近讀了一片文章“Not all Ops Are Created Equal!”,以前大家手工設計網絡結構的時候,都是儘量在減少模型的計算量和模型參數量,認爲計算量和參數量小的模型inference的效率就一定高。其實不然,首先我

原创 PyTorch 學習筆記(九):自動編碼器(AutoEncoder)

一. 生成模型 生成模型(Generative Model)這一概念屬於概率統計與機器學習,是指一系列用於隨機生成可觀測預測數據得模型。簡而言之,就是 “生成” 的樣本和 “真實” 的樣本儘可能地相似。生成模型的兩個主要功能就是學

原创 Fast-Classifying, High-Accuracy Spiking Deep Networks Through Weight and Threshold Balancing

論文名:Fast-Classifying, High-Accuracy Spiking Deep Networks Through Weight and Threshold Balancing 中文名:權重、閾值權衡實現快速分

原创 脈衝神經元的建模與分析

一. 生物神經元結構及脈衝發放 生物神經系統中的信號是以細胞膜的電位變化來傳導的。神經元細胞膜內外的電位有差別,外正內負,70-80mv。周圍環境和內部變化可以引起膜電位的高低變化。但是這類變化當幅度不大時只是局部的,隨着變化幅度

原创 脈衝神經網絡的模擬策略

一. 時鐘驅動模擬策略 1. 神經元模型的數值計算方法 一般來說,大多數生物系統建立的模型是微分方程形式,並且這些方程不能簡單地通過微積分的方法得到它們的解析表達式,即使有時候可以得到,其表達式也十分複雜,很難討論其具有的性質。因

原创 SSD:Single Shot MultiBox Dectector算法解讀

論文鏈接:https://arxiv.org/abs/1512.02325 caffe代碼鏈接:https://github.com/weiliu89/caffe/tree/ssd tensorflow代碼鏈接:https://g

原创 Deformable Convolutional Network論文解讀

卷積神經網絡由於固定的幾何結構一直受限於對幾何形變的建模,這篇工作引入了兩個新模塊——deformable convolution和deformable RoI pooling。deformable convolution 和de

原创 深度煉丹術

神經網絡模型的設計和訓練十分複雜,initialization, activation, normalization,優化器,學習率 等等無不是四兩撥千斤,這篇文章主要是總結一些煉丹技巧,討論下關於如何初始化、選擇激活函數、正則化

原创 劍指leetcode

並查集複習+Leetcode下並查集相關題目

原创 YOLO v3 PyTorch版本源碼解讀(二):數據集的讀取以及網絡的訓練

PyTorch 代碼鏈接:https://github.com/ultralytics/yolov3 本篇主要是對代碼文件中 原始數據讀取方式 的解讀,集中分析了 utils 文件夾下的 datasets.py函數。並分析了損失函

原创 DoReFa-Net:使用低位寬梯度訓練低位寬卷積神經網絡

論文地址:https://arxiv.org/abs/1606.06160 官方Tensorflow代碼:https://github.com/tensorpack/tensorpack/tree/master/examples/

原创 YOLO v3 PyTorch版本源碼解讀(一):模型結構解讀

PyTorch 代碼鏈接:https://github.com/ultralytics/yolov3 本篇主要是對代碼文件中 models.py的解讀,同時由於用到了utils文件夾下 parse_config.py中的兩個函數,