深度学习网络 | ResNet解析（2）
本文结构：我的阅读笔记 1.ResNet之Building block 2.ResNet之CIFAR-10实验结构其他资料 1.ResNet作者何凯明博士在ICML2016上的tutorial演讲 2.Bottleneck 3.diss ResNet的论文论文翻译---------------------------------------------------------------...
深度学习网络 | ResNet解析（3）
论文地址：Deep Residual Learning for Image Recognition ResNet——MSRA何凯明团队的Residual Networks，在2015年ImageNet上大放异彩，在ImageNet的classification、detection、localization以及COCO的detection和segmentation上均斩获了第一名的成绩，而且...
轻量级网络 | SqueezeNet，ShuffleNet
前言 自从AlexNet一举夺得ILSVRC 2012 ImageNet图像分类竞赛的冠军后，卷积神经网络（CNN）的热潮便席卷了整个计算机视觉领域。CNN模型火速替代了传统人工设计（hand-crafted）特征和分类器，不仅提供了一种端到端的处理方法，还大幅度地刷新了各个图像竞赛任务的精度，更甚者超越了人眼的精度（LFW人脸识别任务）。CNN模型在不断逼近计算机视觉任务的精度极限...
卷积 | 深度可分离卷积、分组卷积、空洞卷积、转置卷积（反卷积）
参考： https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io/filter-group-tutorial/ https://www.zhihu.com/question/54149221 http://blog.csdn.net/guvcolie/articl...
Node.js——流的下载
https://cnodejs.org/topic/59d8f43b2543cb3368b1623e var request = require('request');
var fs = require('fs');
function downloadFile(uri, filename, callback){
var stream = fs.createWriteStream(filename);
request(uri).pipe(stream).on('close',
爬虫笔记之JS检测浏览器开发者工具是否打开
在某些情况下我们需要检测当前用户是否打开了浏览器开发者工具，比如前端爬虫检测，如果检测到用户打开了控制台就认为是潜在的爬虫用户，再通过其它策略对其进行处理。本篇文章讲述了几种前端JS检测开发者工具是否打开的方法。 一、重写toString() 对于一些浏览器，比如Chrome、FireFox，如果控制台输出的是对象，则保留对象的引用，每次打开开发者工具的时候都会重新调用一下对象的toString()方法将返回结果打印到控制台（console tab）上。 所以只需要创建一个对象，重写它的toS
C# 创建、部署和调用WebService的简单示例 C# 创建、部署和调用WebService的简单示例
C# 创建、部署和调用WebService的简单示例 <div class="postBody">
<div id="cnblogs_post_body"><p>webservice 可以用于分布式应用程序之间的交互，和不同程序之间的交互。</p>
1 2 3 概念性的东西就不说太多，下面开始创建一个简单的webservice的例子。这里我用的是Visual Studio 2015开发工具。 首先创建一个空的Web应用程序。 然后鼠标右键点击项目，选择 添加>新建项。
深度学习网络 | ResNext解析
背景论文地址：Aggregated Residual Transformations for Deep Neural Networks 代码地址：GitHub 这篇文章在 arxiv 上的时间差不多是今年 cvpr 截稿日，我们就先理解为是投的 cvpr 2017 吧，作者包括熟悉的 rbg 和何凯明，转战 Facebook 之后代码都放在 Facebook 的主页里面了，代码也从 ResNet...
深度学习网络 inception v1-v4 解析（0） | 轻量级网络 mobilenet v1-v2
Inception v1的网络，主要提出了Inceptionmodule结构（1*1，3*3，5*5的conv和3*3的pooling组合在一起），最大的亮点就是从NIN（Network in Network）中引入了1*1 conv，结构如下图所示，代表作GoogleNet假设previous layer的大小为28*28*192，则，a的weights大小，1*1*192*64+3*3*192...
深度学习网络 | GoogLeNet
0. 背景获得2014年ImageNet挑战赛(ILSVRC14)第一名，google出品 paper地址：going deeper with convolutions caffe网络结构地址：train_val.prototxt1. 主要贡献保证计算资源不变（cpu/memory）的基础上，增加了神经网络的深度和宽度。网络共使用了 22 层隐层，用于classification &amp; ...
轻量级网络 | ShuffleNet解析
论文：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices 论文链接：https://arxiv.org/abs/1707.01083算法详解： ShuffleNet是Face++的一篇关于降低深度网络计算量的论文，号称是可以在移动设备上运行的深度网络。这篇文章可以和MobileNet、...
深度学习网络 | GoogleNet v1-v3解析（1）
一.CNN发展纵览 我们先来看一张图片： 1985年，Rumelhart和Hinton等人提出了后向传播（Back Propagation，BP）算法（也有说1986年的，指的是他们另一篇paper：Learning representations by back-propagating errors)，使得神经网络的训练变得简单可行，这篇文章在Google Scholar上的引用次数达到了...
深度学习网络 | GoogleNet v1-v4解析 （2）
http://blog.csdn.net/diamonjoy_zone/article/details/70576775参考：1. Inception[V1]: Going Deeper with Convolutions2. Inception[V2]: Batch Normalization: Accelerating Deep Network Training by Reducing Int...
caffe | 经典网络的caffe实现资料汇总
自2012年Alexnet赢得了ImageNet竞赛以来，深度学习（神经网络）得到了飞速发展，产生了许多的神经网络结构，本文主要总结Caffe中使用的神经网络(分类的神经网络)，本文的神经网络作者都使用Caffe训练过，并在Kaggle的Intel癌症预测比赛中进行了测试与使用（top 8%）。1. AlexnetAlexnet，2012年ImageNet竞赛冠军，深度学习的里程碑。网络结...
模型压缩 | Deep Compression论文理解及Caffe源码修改（1）
1.在.cu中目前仍然是调用cpu_data接口，所以可能会增加与gpu数据交换的额外耗时，这个不影响使用，后面慢慢优化。~(已解决) 2.目前每层权值修剪的比例仍然是预设的，这个比例需要迭代试验以实现在尽可能压缩权值的同时保证精度。所以如何自动化选取阈值就成为了后面一个继续深入的课题。 3.直接用caffe跑出来的模型依然是原始大小，因为模型依然是.caffemodel类型，虽然大部分权值为...
模型压缩 | Deep Compression论文理解及Caffe源码修改（2）
背景传统的CNN网络训练完之后，全连接层的权值矩阵动辄就几十万、几百万个参数值，可见CNN模型的庞大，但是仔细观察CNN的权值矩阵就会发现，里面有很多的参数的绝对值都很小，比如在-0.001到0.001之间，也就是说这些连接对CNN的训练或者测试结果作用很小，因此我们就可以尝试将这些小值参数去掉，既可以减小模型的规模又可以减少计算量，最重要的前提是要保证CNN的有效性，也即正确率。主要思路修改bl...
深度学习网络 | yolo v1论文讲解（1）
You Only Look Once: Unified, Real-Time Object DetectionAbstract作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 pro...
今日推荐
周排行