前言 一般機器學(xué)習(xí)任務(wù)其工作流程可總結(jié)為如下 pipeline。 在工業(yè)界，數(shù)據(jù)預(yù)處理步驟對模型精度的提高的發(fā)揮著重要作用。對于機器學(xué)習(xí)任務(wù)來說，廣泛的數(shù)據(jù)預(yù)處理一般有四個階...
發(fā)簡信
IP屬地：安徽
-
深度學(xué)習(xí)煉丹-數(shù)據(jù)預(yù)處理和增強 -
Linux 基礎(chǔ)-查看 cpu、內(nèi)存和環(huán)境等信息Linux 基礎(chǔ)-查看 cpu、內(nèi)存和環(huán)境等信息 在使用 Linux 系統(tǒng)的過程中，我們經(jīng)常需要查看系統(tǒng)、資源、網(wǎng)絡(luò)、進程、用戶等方面的信息，查看這些信息的常用命令值得了解和...
-
Linux 基礎(chǔ)-文本處理命令
概述 Linux 下使用 Shell 處理文本時最常用的工具有： find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk。 fin...
-
Linux 基礎(chǔ)-文件及目錄管理
Linux 基礎(chǔ)-文件及目錄管理 本文大部分內(nèi)容參看 《Linux基礎(chǔ)》一書，根據(jù)自己的工程經(jīng)驗和理解加以修改、拓展和優(yōu)化形成了本篇博客，不適合 Linux 純小白，適合有一...
-
Linux 基礎(chǔ)-文件權(quán)限與屬性一，文件類型[#%E4%B8%80%E6%96%87%E4%BB%B6%E7%B1%BB%E5%9E%8B]1.1，概述[#11%E6%A6%82%E8%BF%B0]1.2，...
-
深度學(xué)習(xí)煉丹-不平衡樣本的處理前言 在機器學(xué)習(xí)的經(jīng)典假設(shè)中往往假設(shè)訓(xùn)練樣本各類別數(shù)目是均衡的，但在實際場景中，訓(xùn)練樣本數(shù)據(jù)往往都是不均衡（不平衡）的。比如在圖像二分類問題中，一個極端的例子是，訓(xùn)練集中有 ...
-
Docker基礎(chǔ)和常用命令一，Docker 簡介[#%E4%B8%80docker-%E7%AE%80%E4%BB%8B]1.1，什么是 Docker[#11%E4%BB%80%E4%B9%88%E6...
-
Halcon快速入門前言[#%E5%89%8D%E8%A8%80] 一，HALCON 概述[#%E4%B8%80halcon-%E6%A6%82%E8%BF%B0] 1.1，HALCON 安裝[...
-
卷積神經(jīng)網(wǎng)絡(luò)壓縮方法總結(jié)卷積網(wǎng)絡(luò)的壓縮方法 一，低秩近似[#%E4%B8%80%EF%BC%8C%E4%BD%8E%E7%A7%A9%E8%BF%91%E4%BC%BC] 二，剪枝與稀疏約束[#%E...
-
視頻編解碼基礎(chǔ)一，基本術(shù)語[#%E4%B8%80%E5%9F%BA%E6%9C%AC%E6%9C%AF%E8%AF%AD]1.1，顏色亮度和我們的眼睛[#11%E9%A2%9C%E8%89...
-
OpenCV3圖像處理筆記
此筆記針對 Python 版本的 opencv3，c++ 版本的函數(shù)和 python 版本的函數(shù)參數(shù)幾乎一樣，只是矩陣格式從 ndarray 類型變成適合 c++ 的 mat...
-
劍指offer題解C++版
一，常見數(shù)據(jù)結(jié)構(gòu) 1，數(shù)組 3-找出數(shù)組中重復(fù)的數(shù)字 劍指 Offer 03. 數(shù)組中重復(fù)的數(shù)字[https://leetcode-cn.com/problems/shu-z...
-
CSPNet論文詳解摘要[#%E6%91%98%E8%A6%81] 1，介紹[#1%E4%BB%8B%E7%BB%8D] 2，相關(guān)工作[#2%E7%9B%B8%E5%85%B3%E5%B7%A5...
-
VoVNet論文解讀摘要[#%E6%91%98%E8%A6%81] 1，介紹[#1%E4%BB%8B%E7%BB%8D] 2，高效網(wǎng)絡(luò)設(shè)計的影響因素[#2%E9%AB%98%E6%95%88%E...
-
深度學(xué)習(xí)-第五章機器學(xué)習(xí)基礎(chǔ)前言[#%E5%89%8D%E8%A8%80] 5.1 學(xué)習(xí)算法[#51-%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95]5.1.1 任務(wù) [#51...
-
MobileNetv1論文詳解1、相關(guān)工作[#1%E7%9B%B8%E5%85%B3%E5%B7%A5%E4%BD%9C]標(biāo)準卷積[#%E6%A0%87%E5%87%86%E5%8D%B7%E7%A7%A...
-
RepVGG論文詳解RepVGG 論文詳解 RepVGG 是截止到 2021.2.9 日為止最新的一個輕量級網(wǎng)絡(luò)架構(gòu)。在我的測試中，其在安霸 CV22 上的加速效果不如 ShuffleNet v...
-
Inception則將通道分割成3至4份，進行1×1的卷積操作，這句話是錯的吧，inception 結(jié)構(gòu)并沒有直接對輸入特征圖的通道進行分割，你可以表達為 inception 結(jié)構(gòu)通過各分支的 1*1 卷積（卷積核輸出通道比輸入通道?。νǖ肋M行分割。
深度可分離卷積（Xception 與 MobileNet 的點滴）
前言 從卷積神經(jīng)網(wǎng)絡(luò)登上歷史舞臺開始，經(jīng)過不斷的改進和優(yōu)化，卷積早已不是當(dāng)年的卷積，誕生了分組卷積（Group convolution）、空洞卷積（Dilated convo...
-
這樣對小片中的元素每載入一次可以被在高速的共享內(nèi)存中被訪問K次，由此得到遠高于原始方法的內(nèi)存存取效率。
我想問下，這句話是什么意思，不是很理解，為什么對矩陣分片之后，存取效率會比原始效率高。矩陣相乘在GPU上的終極優(yōu)化：深度解析Maxas匯編器工作原理
在從事深度學(xué)習(xí)框架的實現(xiàn)工作時，了解到Nervana有一個稱為Maxas的匯編代碼生成器項目https://github.com/NervanaSystems/maxas，可...