原创 AI實戰:深度學習模型壓縮加速方法彙總

深度學習模型壓縮加速方法可大致分爲2大類 1、設計新的卷積計算方法 設計新的卷積計算方法,從而減少參數,達到壓縮模型的效果,例如 SqueezedNet、mobileNet 比如:depth-wise 卷積、point-wis

原创 AI實戰:Nginx+uwsgi+Flask+TensorFlow Serving實現深度學習模型部署

使用Nginx+uwsgi+Flask+TensorFlow Serving實現深度學習模型部署。 環境 Ubuntu16.04 python3.x tensorflow1.14 Nginx+uwsgi+Flask 安裝

原创 深度/機器學習基礎知識要點:CNN、ResNet、DenseNet

CNN(卷積神經網絡) 示意圖: 網絡架構 一個卷積神經網絡由若干卷積層、Pooling層、全連接層組成。 常用架構模式爲: INPUT -> [[CONV]*N -> POOL?]*M -> [FC]*K CONV

原创 GPU使用情況、GPU使用率查看、監控----nvidia-smi

Nvidia-smi nvidia-smi是nvidia 的系統管理界面 ,其中smi是System management interface的縮寫,它可以收集各種級別的信息,查看顯存使用情況。 用法 GPU使用情況 nvi

原创 深度/機器學習基礎知識要點:Matrix Factorization

MF(Matrix Factorization) MF的基本原理 將一個矩陣D分解爲U和V的乘積,即對於一個特定的規模爲m∗nm*nm∗n 的矩陣D,估計出規模分別爲m∗km*km∗k 和n∗kn*kn∗k 的矩陣U和V,使得

原创 AI實戰:pytorch、 tensorflow 對比之推理時性能、GPU佔用對比(一):DenseNet

本文分享模型訓練及推理時性能、GPU佔用對比:pytorch 與 tensorflow 上的對比。 DenseNet定義 論文鏈接:Densely Connected Convolutional Networks 參考:深度/機

原创 linux下文件壓縮解壓常用命令:tar、zip、unzip

linux下文件壓縮解壓常用命令 tar -c: 建立壓縮檔案 -x:解壓 -t:查看內容 -r:向壓縮歸檔文件末尾追加文件 -u:更新原壓縮包中的文件 這五個是獨立的命令。 解壓 tar –xvf file.tar 解壓

原创 圖像對齊(圖像配準)方法記錄

圖像對齊方法 1、基於ORB特徵的方法 1、檢測兩張圖的ORB特徵點 2、特徵匹配 3、計算單應性矩陣 4、扭轉圖片 圖示 具體的代碼實現可以參考這篇文章:https://blog.csdn.net/yuanlulu/

原创 tmux的安裝及用法

一、tmux簡介 tmux 是一個終端複用器: 可以激活多個終端或窗口, 在每個終端都可以單獨訪問,每一個終端都可以訪問,運行和控制各自的程序.tmux類似於screen,可以關閉窗口將程序放在後臺運行,需要的時候再重新連接。

原创 Dockerfile總結:常用指令、注意事項、常見錯誤(no such file or directory、Permission denied)

什麼是 Dockerfile? Dockerfile 是一個用來構建鏡像的文本文件,文本內容包含了一條條構建鏡像所需的指令和說明。 指令詳解 點擊參考:使用 Dockerfile 定製鏡像 注意事項 RUN (docker

原创 AI實戰:深度學習之人臉識別 Face recognition

前言 人臉識別是機器視覺最成熟、最熱門的領域,近幾年,人臉識別已經逐步超過指紋識別成爲生物識別的主導技術。 人臉識別是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流,並自動在圖像中檢

原创 AI實戰:目標檢測模型應用之生活垃圾圖片分類

前言 “華爲雲杯”2020深圳開放數據應用創新大賽·生活垃圾圖片分類 【大賽介紹】 由深圳市政務服務數據管理局、南山區人民政府主辦,南山區政務服務數據管理局、華爲技術有限公司承辦的“華爲雲杯”2020深圳開放數據應用創新大賽

原创 Win7離線安裝Chrome插件之Postman,報錯Ignored insecure CSP value "https://ssl.google-analytics.com/ga.js”

前言 由於無法訪問google,所以安裝chrome的插件很麻煩。項目測試需要用到Postman,這裏就記錄下Windows 7 下chrome瀏覽器安裝Postman插件的過程。 環境 Windows 7 chrome 過程

原创 AI實戰: YOLOv4: Optimal Speed and Accuracy of Object Detection

前言 YOLOv4: Optimal Speed and Accuracy of Object Detection [Submitted on 23 Apr 2020] 【是的,你沒看錯,2020年04月23日,YOLO v4終

原创 AI實戰:垂直領域問答機器人QA Bot常見技術架構

垂直領域問答機器人QA Bot常見技術架構 對話系統示意圖 基於知識圖譜的智能問答:點擊查看 人機對話體系結構 問答產品知識結構 基於知識圖譜的問答系統關鍵技術研究: 點擊查看 研究架構圖 對話機器