原创 深度學習基本概念softmax、sigmoid、均方誤差、交叉熵
在神經網絡的最後一層總用到的激活函數爲softmax和sigmoid。 在經過以上 激活函數後，線性迴歸選用均方誤差爲損失函數，邏輯迴歸選擇交叉熵爲損失函數。以下代碼使用tensorflow實現。 softmax激活函數：用在
2020-06-30 02:23:06
原创 mmdetection 安裝與使用（win10）
一、安裝 （1）創建虛擬環境： conda create -n mmdec python=3.6 完成 （2）激活虛擬環境，安裝torch（現在mmdetection需要的torch最低版本爲1.1.0） activate mmdec
2020-06-30 02:22:56
22
原创 mmdetection2.x windows下 PermissionError:
mmcv造成的shutil.copyfile()，複製文件，在複製的時候目標 文件是不能存在的，但是打印發現複製之前.py就已經存在。先將.py刪掉，然後再複製就能出結果了。 可以先打印一下文件夾下存在的文件： 修改：
2020-06-30 02:22:56
原创 VS新建項目中沒有NVIDIA選項的解決方法
重新安裝vs，打開新建項目發現沒有nvidia這個選項。各種複製文件到這個那個文件夾，都沒生效。後來看到說在安裝cuda的時候已經關聯了vs，然後重新安裝cuda打開後NVIDIA出現（環境啥的之前都設置過了，不知道之前複製的那些
2020-06-30 02:22:56
1
原创 windows深度學習環境搭建
下載軟件vs，pycharm，opencv，anaconda，配置各種環境，做個記錄。（win10 i5 顯卡GTX 1650） 1.安裝anaconda 下載軟件：https://www.anaconda.com/distrib
2020-06-30 02:22:56
原创 幾個OPENCV常用算法（python版及C++版）
python版本個人常用的 import cv2 import numpy as np def show_img(name="", img="", x=0, y=0): cv2.namedWindow(name, 0)
2020-06-30 02:22:56
原创 CUDA常用命令
1.查看cuda版本： cat /usr/local/cuda/version.txt cudnn版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 2.cu
2020-06-30 02:22:56
原创 曠視天元MegEngine環境搭建及unet
曠視科技開源的天元框架，在有pytorch基礎的前提下上手很快，中文文檔讀起來也簡單，有自己的社區爲用戶解決問題。在上面提問解還是很快會得到解決的。 然後華爲在四月份也要公測它的全場景MinSpore，有的公司原本有整體架構，想要
2020-06-30 02:22:56
2
原创 pytorch：data讀取出錯：RuntimeError: invalid argument 0: Sizes of tensors must match except in dimension
在使用Dataloader讀取數據的時候，使用batch_size=1不會出現這個問題。當batch_size>1時， 默認將會使用torch.stack()爲你生成一個[batch，x, x, x] 的tensor數據，在使用
2020-06-13 13:01:05
2
原创 Pytorch 常用函數_個人記錄不斷加入
在寫網絡初始設置的，設置以後，之後創建的tensor都默認爲該形式，cpu或者gpu，類型 torch.set_default_tensor_type（） 可選參數：'torch.cuda.FloatTensor'、 'torch.F
2020-06-08 23:37:31
原创 resnet50、FPN、Panet結構及代碼
起初faster-r-cnn，只採用最後一層特作爲rpn以及head部分的特徵圖 ，後來不斷改進，有了FPN， 再後來有了Panet，一般來說網絡的層數越深它的語義信息越豐富。但是隨着網絡層數的加深，檢測所需的位置信息就會越差，
2020-06-08 23:37:31
原创 CNN分類網絡之：Lenet
pytorch 寫的一個 lenet的分類網絡，不是百分百還原哈，結構是一樣的， 簡單訓練一下自己的數據集。數據集格式如下，data內存放 自己的數據，每個類別放到一個文件夾中，文件夾名稱爲類別標籤如下圖
2020-06-03 03:37:01
1
原创 目標檢測之：SSD
SSD300：網絡結構圖 SSD單階段目標檢測，候選框密集抽樣。作爲單階段的目標檢測，其速度還是比faster快很多的，但是精度還是差點。 SSD300共用了6層特徵，進行目標檢測，SSD512用了7層特徵，每一
2020-06-01 21:33:43
原创 目標檢測之：Faster-R-Cnn
目標檢測即在一張圖中找出目標所在的位置，faster-r-cnn爲雙階段目標檢測，第一階段獲取目標所在位置的候選框，然後獲得目標的種類以及更加精細的位置。 下圖爲使用VGG16作爲 backbone的fas
2020-05-19 15:33:30