2015至2017年间，是CNN网络设计最兴盛的阶段，大多都是由学者人工设计的网络结构。这个过程通常会很繁琐其主要原因在于对不同模块组件的组成通常是个黑盒优化的问题，此外，在...
发简信
IP属地：江西
-
66.神经网络架构搜索（NAS） -
65.AutoML-11.什么是AutoML？ 目前一个优秀的机器学习和深度学习模型，离不开这几个方面：一、优秀的数据预处理；二、合适的模型结构和功能；三、优秀的训练策略和超参数；四、合适的后处理...
-
64.合理使用预训练网络-3
64.1 目标检测中如何从零开始训练(train from scratch) 目标检测和其他任务从零训练模型一样，只要拥有足够的数据以及充分而有效的训练，同样能训练出不亚于利...
-
63.合理使用预训练网络-2
63.1 目标检测中如何从零开始训练 63.2 不同的数据集特性下如何微调 数据集数据量少，数据和原数据集类似。这是通常做法只需修改最后的输出层，训练即可，训练过多参数容易过...
-
62.合理使用预训练网络-1
62.1 什么是微调（fine-tune） 微调（fine-tune），顾名思义指稍微调整参数即可得到优秀的性能，是迁移学习的一种实现方式。微调和从头训练（train fro...
-
61.在极端批样本数量下训练网络
极端批样本情况一般是指batch size为1或者batch size在6000以上的情况 这两种情况，在使用不合理的情况下都会导致模型最终性能无法达到最优甚至是崩溃的情况。...
-
60.网络训练中的超参调整策略—学习率调整24、inverse_time_decay 逆时衰减，这种方式和指数型类似。如图， 5、 余弦衰减，即按余弦函数的方式衰减学习率，如图 6、 余弦衰减，即余弦版本的cycle策...
-
59.网络训练中的超参调整策略—学习率调整1学习率可以说是模型训练最为重要的超参数。通常情况下，一个或者一组优秀的学习率既能加速模型的训练，又能得到一个较优甚至最优的精度。过大或者过小的学习率会直接影响到模型的收敛。 ...
-
58.网络训练中的超参调整策略—如何调试模型
在讨论如何调试模型之前，我们先来纠正一个误区。通常理解如何调试模型的时候，我们想到一系列优秀的神经网络模型以及调试技巧。但这里需要指出的是数据才是模型的根本，如果有一批质量优...
-
57.超参数概念-2
57.1 批样本数量，动量优化器的动量参数β 批样本数量，动量优化器（Gradient Descent with Momentum）的动量参数*β 批样本决定了数量梯度下降的...
-
56.超参数概念-1
56.1 参数和超参数的区别 区分两者最大的一点就是是否通过数据来进行调整，模型参数通常是有数据来驱动调整，超参数则不需要数据来驱动，而是在训练前或者训练中人为的进行调整的参...
-
55.在手机上使用PaddleMobile实现图像分类-2
创建Android项目 1、首先使用Android Studio创建一个普通的Android项目，包名为com.example.paddlemobile1 2、在main目录...
-
54.在手机上使用PaddleMobile实现图像分类-1
54.1 编译paddle-mobile库 1）编译Android能够使用的CPP库： 编译Android的paddle-mobile库，可选择使用Docker编译和Ubun...
-
53.MDL、NCNN和 TFLite比较
百度-MDL框架、腾讯-NCNN框架和谷歌TFLite框架比较 MDLNCNNTFLite代码质量中高很高跨平台√√√支持caffe模型√√×支持TensorFlow模型××...
-
52.现有移动端开源框架及其特点—PocketFlow-2PocketFlow 性能 通过引入超参数优化组件，不仅避免了高门槛、繁琐的人工调参工作，同时也使得 PocketFlow 在各个压缩算法上全面超过了人工调参的效果。以图像分...
-
51.现有移动端开源框架及其特点—PocketFlow-151.1 简介 全球首个自动模型压缩框架 一款面向移动端AI开发者的自动模型压缩框架，集成了当前主流的模型压缩与训练算法，结合自研超参数优化组件实现了全程自动化托管式的模型压...
-
50.现有移动端开源框架及其特点—FeatherCNN与TensorFlow Lite50.1 FeatherCNN FeatherCNN 是由腾讯 AI 平台部研发的基于 ARM 架构的高效 CNN 推理库，该项目支持 Caffe 模型，且具有高性能、易部署...
-
49.现有移动端开源框架及其特点—MACE（ Mobile AI Compute Engine）Mobile AI Compute Engine (MACE) 是一个专为移动端异构计算设备优化的深度学习前向预测框架MACE覆盖了常见的移动端计算设备（CPU，GPU和DS...
-
48.现有移动端开源框架及其特点—MDL（mobile-deep-learning）48.1 功能特点 一键部署，脚本参数就可以切换ios或者android 支持iOS gpu运行MobileNet、squeezenet模型 已经测试过可以稳定运行Mobil...
-
47.现有移动端开源框架及其特点—Prestissimo
基础功能 支持卷积神经网络，支持多输入和多分支结构 精炼简洁的API设计，使用方便 提供调试接口，支持打印各个层的数据以及耗时 不依赖任何第三方计算框架，整体库体积 500K...