- 最近在看源码的过程中看到了有些模型的forward函数中self.training判断训练还是推理的状态。 这个是如何做到呢？下面我通过源码分析一下： if self.training: return x, x_dist else: # during inference, return the average of both classifier predictio... 最近在看源码的过程中看到了有些模型的forward函数中self.training判断训练还是推理的状态。 这个是如何做到呢？下面我通过源码分析一下： if self.training: return x, x_dist else: # during inference, return the average of both classifier predictio...
- 前面说了logistic模型的决策边界是线性的，所以无法很好的完成决策边界是非线性的分类任务。直观上看，一条线不行，用二条线就可以更好的完成这个分类任务，如下：所以，首先建立两个logistic模型，这两个logistic模型的决策边界为图上所示的两条直线。然后以这两个logistic模型的结果作为输入，建立一个logistic回归模型，这个模型用于判断观测点在两条直线中所处的位置。可以写代... 前面说了logistic模型的决策边界是线性的，所以无法很好的完成决策边界是非线性的分类任务。直观上看，一条线不行，用二条线就可以更好的完成这个分类任务，如下：所以，首先建立两个logistic模型，这两个logistic模型的决策边界为图上所示的两条直线。然后以这两个logistic模型的结果作为输入，建立一个logistic回归模型，这个模型用于判断观测点在两条直线中所处的位置。可以写代...
- @toc 摘要DEiT是FaceBook在2020年提出的一篇Transformer模型。该模型解决了Transformer难以训练的问题，三天内使用4块GPU，完成了ImageNet的训练，并且没有使用外部数据，达到了SOTA水平。DEiT提出的蒸馏策略只增加了对token的蒸馏，没有引入其他的重要架构。如下图：蒸馏令牌与类令牌的使用类似:它通过自注意力与其他令牌交互，并在最后一层后由网络... @toc 摘要DEiT是FaceBook在2020年提出的一篇Transformer模型。该模型解决了Transformer难以训练的问题，三天内使用4块GPU，完成了ImageNet的训练，并且没有使用外部数据，达到了SOTA水平。DEiT提出的蒸馏策略只增加了对token的蒸馏，没有引入其他的重要架构。如下图：蒸馏令牌与类令牌的使用类似:它通过自注意力与其他令牌交互，并在最后一层后由网络...
- @[toc]在上一篇文章中完成了前期的准备工作，见链接：MobileOne实战：使用MobileOne实现图像分类任务(一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchimport torch... @[toc]在上一篇文章中完成了前期的准备工作，见链接：MobileOne实战：使用MobileOne实现图像分类任务(一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchimport torch...
- @[toc] 摘要论文地址：https://arxiv.org/abs/2211.06088代码地址：https://github.com/federicopozzi33/MobileOne-PyTorch另一个版本：https://github.com/shoutOutYangJie/MobileOne特征重用一直是轻量级卷积神经网络设计的关键技术。随着YoloV6和YoloV7的使用，这... @[toc] 摘要论文地址：https://arxiv.org/abs/2211.06088代码地址：https://github.com/federicopozzi33/MobileOne-PyTorch另一个版本：https://github.com/shoutOutYangJie/MobileOne特征重用一直是轻量级卷积神经网络设计的关键技术。随着YoloV6和YoloV7的使用，这...
- @[toc]在上一篇文章中完成了前期的准备工作，见链接：RepGhost实战：使用RepGhost实现图像分类任务(一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchimport torch.n... @[toc]在上一篇文章中完成了前期的准备工作，见链接：RepGhost实战：使用RepGhost实现图像分类任务(一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchimport torch.n...
- @[toc]在上一篇文章中完成了前期的准备工作，见链接：G-Ghost-RegNet实战：使用G-Ghost-RegNet实现图像分类任务(一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchim... @[toc]在上一篇文章中完成了前期的准备工作，见链接：G-Ghost-RegNet实战：使用G-Ghost-RegNet实现图像分类任务(一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchim...
- @[toc]在上一篇文章中完成了前期的准备工作，见链接：GhostNet实战：使用GhostNet实现图像分类任务（一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchimport torch.n... @[toc]在上一篇文章中完成了前期的准备工作，见链接：GhostNet实战：使用GhostNet实现图像分类任务（一）这篇主要是讲解如何训练和测试 训练完成上面的步骤后，就开始train脚本的编写，新建train.py. 导入项目使用的库import jsonimport osimport matplotlib.pyplot as pltimport torchimport torch.n...
- @toc 摘要GhostNet网络是2019年发布的轻量级网络，速度和MobileNetV3相似，但是识别的准确率比MobileNetV3高，在ImageNet ILSVRC-2012分类数据集的达到了75.7%的top-1精度。论文链接：https://arxiv.org/abs/1911.11907作者解读：https://zhuanlan.zhihu.com/p/109325275开源... @toc 摘要GhostNet网络是2019年发布的轻量级网络，速度和MobileNetV3相似，但是识别的准确率比MobileNetV3高，在ImageNet ILSVRC-2012分类数据集的达到了75.7%的top-1精度。论文链接：https://arxiv.org/abs/1911.11907作者解读：https://zhuanlan.zhihu.com/p/109325275开源...
- 原文链接 1 Permission denied报错：-bash: ./compile.sh: Permission denied没有操作权限，改为赋予最高权限（777）：chmod 777 compile.sh 2 cuda 问题报错：unable to execute ‘/usr/local/cuda-9.0/bin/nvcc’: No such file or directoryerr... 原文链接 1 Permission denied报错：-bash: ./compile.sh: Permission denied没有操作权限，改为赋予最高权限（777）：chmod 777 compile.sh 2 cuda 问题报错：unable to execute ‘/usr/local/cuda-9.0/bin/nvcc’: No such file or directoryerr...
- 【CANN训练营】开发环境部署 【CANN训练营】开发环境部署
- Google 地球引擎数字化工具 (GEEDiT) 旨在让任何研究人员能够快速访问卫星图像并将边缘直接数字化为线或多边形。 GEEDiT 具有简单的用户界面，无需下载大量图像，利用 Earth Engine 的云计算能力及其对卫星图像存储库的访问权限（Lea，2018 年）。导出描绘的矢量边距时，它们还会附加来自源图像的标准化元数据。这样做，用户可以轻松追溯哪些图像与哪些数字化边距相关联，... Google 地球引擎数字化工具 (GEEDiT) 旨在让任何研究人员能够快速访问卫星图像并将边缘直接数字化为线或多边形。 GEEDiT 具有简单的用户界面，无需下载大量图像，利用 Earth Engine 的云计算能力及其对卫星图像存储库的访问权限（Lea，2018 年）。导出描绘的矢量边距时，它们还会附加来自源图像的标准化元数据。这样做，用户可以轻松追溯哪些图像与哪些数字化边距相关联，...
- 很多时候我们需要注意导出的错误信息，这里我们看到首先第一个错误就是我们选择波段的时候并没有按照指定的波段名称来进行，同时，我们不能直接导出影像集合，所以这里在导出的过程中又出现了将影像集合导出的低级错误。多景和批量影像的下载请查看：Google Earth Engine ——批量下载sentinel-5p逐日空气质量数据影像tif格式（中国为例）_此星光明的博客-CSDN博客_gee下载s... 很多时候我们需要注意导出的错误信息，这里我们看到首先第一个错误就是我们选择波段的时候并没有按照指定的波段名称来进行，同时，我们不能直接导出影像集合，所以这里在导出的过程中又出现了将影像集合导出的低级错误。多景和批量影像的下载请查看：Google Earth Engine ——批量下载sentinel-5p逐日空气质量数据影像tif格式（中国为例）_此星光明的博客-CSDN博客_gee下载s...
- Yolov5如何更换EIOU / alpha IOU / SIoU？ 1.EIoU更换方式第一步；将metrics.py文件中bbox_iou()替换为以下代码def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, EIoU=False, eps=1e-7): # Returns the... Yolov5如何更换EIOU / alpha IOU / SIoU？ 1.EIoU更换方式第一步；将metrics.py文件中bbox_iou()替换为以下代码def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, EIoU=False, eps=1e-7): # Returns the...
- 【论文导读】- Communication-Efficient Learning of Deep Networks from Decentralized Data（高通信效率的去中心化的深度网络学习） 【论文导读】- Communication-Efficient Learning of Deep Networks from Decentralized Data（高通信效率的去中心化的深度网络学习）
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签