- @Author：Runsen 计算机视觉中具有挑战性的主题之一，对象检测，可帮助组织借助数字图片作为输入来理解和识别实时对象。大量的论文基于常见的目标检测的开源数据集而来，因此需要了解常见的目标检测的开源数据集 https://public.roboflow.com/object-detection CIFAR-10 CIFAR-10 是一个综合数据集，由 10... @Author：Runsen 计算机视觉中具有挑战性的主题之一，对象检测，可帮助组织借助数字图片作为输入来理解和识别实时对象。大量的论文基于常见的目标检测的开源数据集而来，因此需要了解常见的目标检测的开源数据集 https://public.roboflow.com/object-detection CIFAR-10 CIFAR-10 是一个综合数据集，由 10...
- @Author：Runsen 多层感知机（MLP）有着非常悠久的历史，多层感知机(MLP)是深度神经网络(DNN)的基础算法 MLP基础知识 目的：创建用于简单回归/分类任务的常规神经网络（即多层感知器）和Keras MLP结构 每个MLP模型由一个输入层、几个隐藏层和一个输出层组成 每层神经元的数目不受限制 具有一个隐藏层的MLP ... @Author：Runsen 多层感知机（MLP）有着非常悠久的历史，多层感知机(MLP)是深度神经网络(DNN)的基础算法 MLP基础知识 目的：创建用于简单回归/分类任务的常规神经网络（即多层感知器）和Keras MLP结构 每个MLP模型由一个输入层、几个隐藏层和一个输出层组成 每层神经元的数目不受限制 具有一个隐藏层的MLP ...
- 作者/编辑 | 王建民 导读 机器学习方法有望通过更有效地利用现有数据指导分子设计，加快和提高药物化学项目的成功率。自动化计算设计算法的一个关键步骤是分子生成，要求机器在适当的化学空间内设计出高质量的类药分子。许多分子生成的算法已经被提出，然而，一个挑战是如何评估生成分子的有效性。这里研究人员报告了三个图灵启发的测试，旨在评估分子生成器的性能。 1 ... 作者/编辑 | 王建民 导读 机器学习方法有望通过更有效地利用现有数据指导分子设计，加快和提高药物化学项目的成功率。自动化计算设计算法的一个关键步骤是分子生成，要求机器在适当的化学空间内设计出高质量的类药分子。许多分子生成的算法已经被提出，然而，一个挑战是如何评估生成分子的有效性。这里研究人员报告了三个图灵启发的测试，旨在评估分子生成器的性能。 1 ...
- 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算... 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算...
- DistributedDataParallel (既可单机多卡又可多机多卡) 先奉上官网nn.DistributedDataParallel(model)链接 https://pytorch.org/docs/stable/generated/torch.nn.parallel.DistributedDataParallel.html#torch... DistributedDataParallel (既可单机多卡又可多机多卡) 先奉上官网nn.DistributedDataParallel(model)链接 https://pytorch.org/docs/stable/generated/torch.nn.parallel.DistributedDataParallel.html#torch...
- 文章目录 第一章文档介绍 第二章模型简介 2.1.Nanodet模型结构 2.2.Naodet模型性能 第三章训练 3.1.训练环境 3.2.训练 3.2.1.修改训练参数 3.2.2.训练 第四章模型转换和使用 4.1.测试模型 4.2.模型转换 4.3.Ncnn使用 第一章文档... 文章目录 第一章文档介绍 第二章模型简介 2.1.Nanodet模型结构 2.2.Naodet模型性能 第三章训练 3.1.训练环境 3.2.训练 3.2.1.修改训练参数 3.2.2.训练 第四章模型转换和使用 4.1.测试模型 4.2.模型转换 4.3.Ncnn使用 第一章文档...
- insightface代码： https://github.com/deepinsight/insightface 在pytorch训练时，先用gpu1训练，再用gpu2训练，加载gpu1的预训练时报错， 解决方法： 先用cpu加载模型，再转换到新的gpu id上， 代码如下： self.weight: torch.Tensor = torch.load(sel... insightface代码： https://github.com/deepinsight/insightface 在pytorch训练时，先用gpu1训练，再用gpu2训练，加载gpu1的预训练时报错， 解决方法： 先用cpu加载模型，再转换到新的gpu id上， 代码如下： self.weight: torch.Tensor = torch.load(sel...
- 文章目录 1. 文档介绍 2. 环境部署 2.1. Docker环境 2.2. 安装依赖 3. 训练 3.1. 训练参数 3.2. 网络模型 3.3. 数据集 3.4. 训练结果 4. 测试 4.1. 测试参数 4.2. 测试结果 5. 推理 5.1. 推理参数 5.2. 推理结果 ... 文章目录 1. 文档介绍 2. 环境部署 2.1. Docker环境 2.2. 安装依赖 3. 训练 3.1. 训练参数 3.2. 网络模型 3.3. 数据集 3.4. 训练结果 4. 测试 4.1. 测试参数 4.2. 测试结果 5. 推理 5.1. 推理参数 5.2. 推理结果 ...
- 实际测试，发现检测完全错误。可能是官方开源的model有问题，也可能是参数设置的问题(见Config.py文件) 地址：https://github.com/liuwei16/ALFNet 2年前的： keras的，有权重 https://github.com/VideoObjectSearch/ALFNet 从以上分析出发，作者提出... 实际测试，发现检测完全错误。可能是官方开源的model有问题，也可能是参数设置的问题(见Config.py文件) 地址：https://github.com/liuwei16/ALFNet 2年前的： keras的，有权重 https://github.com/VideoObjectSearch/ALFNet 从以上分析出发，作者提出...
- diou比ciou要小，比iou的值也小，训练时候用比较好。 测试时还是iou比较好,训练时giou比较好 import mathimport torch def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False): # Returns the IoU of box1 to bo... diou比ciou要小，比iou的值也小，训练时候用比较好。 测试时还是iou比较好,训练时giou比较好 import mathimport torch def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False): # Returns the IoU of box1 to bo...
- python tensorrt: 激活函数：hard_sigmoid https://github.com/TrojanXu/yolov5-tensorrt https://github.com/wang-xinyu/tensorrtx The Pytorch implementation is ultralytics/yol... python tensorrt: 激活函数：hard_sigmoid https://github.com/TrojanXu/yolov5-tensorrt https://github.com/wang-xinyu/tensorrtx The Pytorch implementation is ultralytics/yol...
- 1） 一个算法中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_path(level="algo")中，第二个任务使用的时候获取目录Context.get_output_path(level="algo")下的结果；2） 这个项目中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_... 1） 一个算法中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_path(level="algo")中，第二个任务使用的时候获取目录Context.get_output_path(level="algo")下的结果；2） 这个项目中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_...
- CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SG... CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SG...
- torch.distributed 包支持 Pytorch 分布式目前只支持 Linux Pytorch 中通过 torch.distributed 包提供分布式支持，包括 GPU 和 CPU 的分布式训练支持。。 在此之前，torch.nn.DataParalle... torch.distributed 包支持 Pytorch 分布式目前只支持 Linux Pytorch 中通过 torch.distributed 包提供分布式支持，包括 GPU 和 CPU 的分布式训练支持。。 在此之前，torch.nn.DataParalle...
- 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边... 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边...
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