STRIDE

首页 > TAG信息列表 > STRIDE

动手实现深度学习（13）池化层的实现

10.1 池化层的运算传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning 池化层的forward Pool分为三类 mean-pool, max-pool和min-pool，本章只讨论max-pool 以下是forwad的运算： https://bl

动手实现深度学习（12）：卷积层的实现

9.1 卷积层的运算传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning 卷积的forward 卷积的计算过程网上的资料已经做够好了，没必要自己再写一遍。只把资料搬运到这里： http://deeplearning

信息安全机制有哪些

前言关于近期学习，为了更好强化知识巩固。全面概括知识重点。做好笔记，以便后续查找。安全信息概括特性完整性保密性可用性不可否认性可控性信息安全防护维度物理安全：各种设备/主机、机房环境系统安全：主机或设备的操作系统应用安全：各种网络服务、应用程序

Thesis-CCNet: Criss-Cross Attention for Semantic Segmentation

Thesis-CCNet: Criss-Cross Attention for Semantic Segmentation CCNet: Criss-Cross Attention for Semantic Segmentation 获得特征图X之后，应用卷积得到一个降维的特征图H并将其喂入十字交叉注意模块CCA得到新的特征图H'。H'仅仅继承了水平和竖直方向的上下文信息还不足以进

6.model

简易神经网络 conv2图片卷积层 stride可以设置横向和纵向各走几步。通道数是1，batch的大小为1，数据维度是5*5 kernel的值训练过程中会不断调整

小熊飞桨练习册-05水果数据集

小熊飞桨练习册-05水果数据集简介小熊飞桨练习册-05水果数据集，本项目开发和测试均在 Ubuntu 20.04 系统下进行。项目最新代码查看主页：小熊飞桨练习册百度飞桨 AI Studio 主页：小熊飞桨练习册-05水果数据集 Ubuntu 系统安装 CUDA 参考：Ubuntu 百度飞桨和 CUDA 的安装文件说明

【翻译笔记】上下文切换代价量化笔记

【原文】 https://www.usenix.org/legacy/events/expcs07/papers/2-li.pdf 1）介绍上下文切换的代价直接代价：进程寄存器的保存和恢复，os的线程调度，tlb的加载，processor的pipline刷新 cache影响代价：不同的负载下，不同的内存访问模型导致cache miss代价 2）衡量方法直接代价量化方法 2个

ResNet详解与实现

1、前言 ResNet是何恺明等人于2015年提出的神经网络结构，该网络凭借其优秀的性能夺得了多项机器视觉领域竞赛的冠军，而后在2016年发表的论文《Deep Residual Learning for Image Recognition》也获得了CVPR2016最佳论文奖。本文整理了笔者对ResNet的理解，详细解释了ResNet34、ResNet5

里程碑的残差结构|ResNet（三）

开局一张图，首先抛出resnet18的网络架构（完整版放在文章最下方）下面，再配合pytorch官方代码，解析一下resnet18。以resnet18为切入点，由浅入深，理解resnet架构源码解析 demo import torch import torchvision.models as models resnet18 = models.resnet18() input = torch.ran

目标检测算法-----YOLOv1解读

相信学算法的同学们在刚入门目标检测的时候，都会学到YOLOV1算法，毕竟它是YOLO算法的开端，当然为了做笔记，自己也就直接在这个博客上面进行，供大家一起参考学习。下面我直接根据YOLOv1算法的实现所需要的知识大致分享一下：我们首先对YOLOv1有一个大致的了解，那就是如下图，输入一张图片或

Pytorch学习记录（六）预训练模型的使用和修改

预训练模型的使用和修改使用预训练模型导入models from torchvision import models 用法（调用得到的模型可以是没有预训练的，也可以是预训练的，两者都有完整的网络结构） resnet18 = models.resnet18(pretrained=True) printf(resnet18) ResNet( (conv1): Conv2d(3, 64, kern

PyTorch中FLOPs计算问题

最近看了很多关于FLOPs计算的实现方法，也自己尝试了一些方法，发现最好用的还是PyTorch中的thop库（代码如下）： device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = 模型的名字().to(device) inputs = torch.randn(1,3,512,1024) ####(360,

神经网络基本骨架、结构的使用

目录神经骨架的使用基本神经结构的使用神经骨架的使用首先我们进官网进行相关信息的查询： container（相当于一个骨架）之中有六个模块，最常用的是module模块，因为对所有神经网络提供了一个最基本的类。根据module的介绍，我们知道自己创建的mo

残差加se块pytorch实现

class Residual(nn.Module): def __init__(self,in_channels,out_channels,use_1x1conv=False,stride=1): super(Residual,self).__init__() self.conv1=nn.Conv2d(in_channels,out_channels,kernel_size=3,padding=1,stride=stride)

1.15

卷积神经网络主要包括卷积、池化、全连接三个步骤卷积可以认为是特征的提取，池化就是吧卷积后的结果大而化之，变小，之后再进行卷积、池化、。。。。卷积、池化，全连接池化引入了平移不变性，减少参数量，防止过拟合关于卷积和的计算公式，其中stride是步长

GCTNet 用于视觉识别的门控信道变换注意力机制

Gated Channel Transformation for Visual Recognition (GCT) 本文是复现的百度&Syndney投于CVPR2020的一篇关于Attention文章。它提出了一种通用且轻量型变化单元，该单元结合了归一化方法和注意力机制，易于分析通道之间的相互关系(竞争or协作)同时便于与网络本身参数联合训练

CvT: 如何将卷积的优势融入Transformer

【GiantPandaCV导语】与之前BoTNet不同，CvT虽然题目中有卷积的字样，但是实际总体来说依然是以Transformer Block为主的，在Token的处理方面引入了卷积，从而为模型带来的局部性。最终CvT最高拿下了87.7%的Top1准确率。引言 CvT架构的Motivation也是将局部性引入Vision Transformer架构

Anchor Free系列模型10

2021SC@SDUSC CenterNet之loss计算代码解析网络输出 # heatmap 输出的tensor的通道个数是80，每个通道代表对应类别的heatmap (hm): Sequential( (0): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace) (2): Conv2d(64, 80, kernel_siz

深度学习02:CNN

1 CNN的结构 1.1 卷积层由滤波器filters和激活函数构成。一般要设置的超参数包括filters的数量、大小、步长，以及padding是“valid”还是“same”。当然，还包括选择什么激活函数。 1.1.1 padding 填白每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时

Pytorch学习-task7：Pytorch池化层和归一化层

Pytorch学习-task7：Pytorch池化层和归一化层 torch.nn中提供的Pooling Layers池化层1. MaxPool 最大池化操作2. MaxUnpool - MaxPool1d计算部分反转？3. AvgPool 练习归一化层参考链接1：参考链接2：参考链接3： torch.nn中提供的Pooling Layers 池化层 1. MaxPool 最大

用pytorch实现卷积神经网络RESNET的CIFAR10分类问题

上回讲到Lenet5的分类问题。用pytorch实现卷积神经网络Lenet5的CIFAR10分类问题今天讲一下一个非常简单的RESNET，总共十层，包括一个卷积层，四个blog（每个blog两个卷积层），一个全连接层。blog的基本单元如图所示每个blog有一个短接x最后和F(x) 相加。以下是blog块的定义 import

【无标题】3DCNN在高光谱数据中的运算过程，以nn.Conv3D为例

3DCNN在高光谱数据中的运算过程，以nn.Conv3D为例高光谱图像介绍直接上代码粘贴一下计算公式高光谱图像介绍普通的图片是RGB3个维度，高光谱图像就是比普通图像多几十个维度的图像而已。看别人用3dcnn处理高光谱图像没看懂，所以自己总结一下。直接上代码 // m = nn.Conv3

LPN模型

import torch import torch.nn as nn import torchvision from context_block import ContextBlock class LBwithGCBlock(nn.Module): expansion = 1 def __init__(self, inplanes, planes, stride=1, downsample=None): super(LBwithGCBlock, self).__ini

第8组 Alpha (2/3)

第8组 Alpha (2/3) 1.过去完成了哪些任务完成了模型的准备工作、初步分工和和初步训练；训练结果达到了论文中的精度，准确率初步达标数据集我们将使用 Pascal Visual Object Classes (VOC) 2007年和2012年的数据集，这一份数据集中包含有20种不同物体，每一个物体都被以下三个属性描

二维卷积的动手实现