- 博客(14)
- 问答 (4)
- 收藏
- 关注
RSS订阅原创 c++上部署tensorflow2.X模型
近期在整理各种框架下模型部署的问题，大多数情况下，模型的设计和训练是在python环境下完成的，但是在实际应用中，由于各种需求，python下训练出来的模型无法直接上线使用。楼主的应用主要是在c++环境中，tf1.x版本的pb模型在c++与opencv环境下部署的教程已经相对比较完善了，但是对于新出的tf2.X版本，还是有些坑的环境win7 + vs2017 +tensorflow2.3 + opencv4.4其他环境匹配还需自行测试，试验过程中有不少错误是因为版本问题，尤其tensorfl..
2020-11-26 17:03:18
2461
8
原创 线性回归于逻辑回归损失函数的由来
把这两个放在一起不是因为名字像，而是因为推到过程所用的方法是一样的，都是求最大似然函数：已知结果，假设概率分布函数，求解使结果出现的概率最大的参数1.线性回归：损失函数为最小二乘损失1/2（y-y^）^2假设误差e=y-y^满足均值为0，方程为一个常数的整体分布，最大化对数似然函数后，可推导出最终的损失为最小二乘2.逻辑回归：实际上逻辑回归解决的是一个分类问题，主要是二分类，也可以拓展到多分类上同样利用最大似然概率，推导出损失函数为交叉熵...
2020-08-13 15:30:22
399
原创 YOLOV4目标检测训练trick(bag of freebies)
bag of freebies:在训练阶段使用的trick，不影响测试效率1.数据增强pixel-wise：1）photometric distortions：调节亮度，对比度，饱和度，色调，增加噪声等2）geometric distortions：缩放，裁剪，翻转，旋转模仿目标遮挡情况：1）随机擦除【1】：给像素赋随机值或者[125.0, 122.0, 114.0](平均值即ImageNet mean pixel value)2）cutout：随机将一个矩形区域内像素值设为
2020-05-18 21:47:57
1559
原创 马尔科夫随机场做图像分割
引言本文尽量避免了算法本身的一些复杂公式，结合自己的理解展示了如何实现马尔科夫随机场并将其应用到图像分割问题上，只要懂贝叶斯公式，懂得正态分布，就可以看懂本文的原理介绍。首先用一句话概括：根据观测到的图像（各点像素值X），我们要求得对应像素的类别（Y），即求最大后验概率P（Y|X）有些伙伴可能会有些疑惑，只知道像素值为什么可以求类别呢？瞎猜吗？当然不是，这里面包含了很严谨的数学原理，就是应用概率进行推测，下面将慢慢给大家介绍。初始条件1.观测一副图像，可以知道图像的特征图（fij表示对应
2020-05-15 10:59:53
2434
2
原创 训练自己的Mask-RCNN实例分割模型
首先，要进行本文试验，需具备GPU，CPU上只能看看效果，没法进行实测图像深度学习技术的四大方向图像深度学习算法主要而已分为4大类：1）图像识别，实现图像中单一目标的类别识别；2）目标检测：实现图像中多个目标，且目标间可能存在粘连和堆叠的情况，对图片中的所有目标范围进行定位，同时对获得的目标进行识别；3）语义分割：pixel-wise的图像识别模型，输入图像和输出标签图逐像素对应，获得原图...
2020-03-15 17:10:09
1653
4
原创 C++调用Python程序以及参数的相互传递（附完整代码）
以为c++为主程序,传入参数到Python环境中，进行数据处理后，获得返回值再传到主程序中。编译环境：VS2015，Python35, 下载的python中没有自带python35_d.lib，所以配置平台用release x64（后续如果需要会尝试补充debug版本），当然需要图像处理肯定还要用opencv的，版本3.x以上都可以1.编写需要调用的python程序，代码如下，分别实现2...
2020-01-13 13:32:23
5631
6
原创 支持向量机数学原理推导
将支持向量机转换为数学模型，推导其计算过程，其中主要的步骤概括如下：1.分类超平面的概念2.间隔和几何间隔之间的区分3.求解目标为，正负例中距离分类超平面最近的几何距离最大化，使得分类最可靠，对噪声的适应性更强，求解过程中，往往固定间隔为1，求几何间隔1/||W||的最大值，即最小化||W|。4.要求所有样品与分类超平面的间隔大于设定好的固定间隔（即为1），形成最小化||W||时的...
2019-12-25 09:53:31
300
原创 逻辑回归推导过程（最大似然法和交叉熵法）
本文分别使用最大似然法和交叉熵法求逻辑回归的损失函数，最大似然同样可以从2分类推导到多分类的应用，最终两方法的结果是相同的。得到损失函数后续就是梯度下降了，梯度下降和误差反向传播可以参考https://blog.csdn.net/qq_38232171/article/details/103288345。PS:本文为备忘笔记，推导过程不小心写错也就直接改在上面了，有些符号可能也不是很匹配（边想边写...
2019-12-16 10:04:38
701
原创 怎么避免过拟合（正则化，droupout,bagging等原理及特点介绍）
过拟合几乎可以说是每个深度学习网络的噩梦，当模型深度较大时，若不加以处理，几乎都会碰上。出现过拟合的特点是：看起来效果很好（在训练集上），而实际上已经废了（在测试集或验证集上）。因此如何在训练时避免过拟合，是每一个炼丹师的必备技能。而避免过拟合主要有两类方法：1）扩充数据，2）修改网络。数据扩充内容比较简单，在文末总结了数据扩充的方案，详细的可以再自己搜一下看看。本文主要总结一些修改网络的方法。...
2019-12-03 11:35:29
1743
原创 各种梯度下降算法（SGB,Momentum,Adagrad,Adam）简介及特点
上一篇文章介绍了什么是误差反向传播和梯度下降：https://blog.csdn.net/qq_38232171/article/details/103288345本文将对现有的一些梯度下降的优化算法进行总结和对比。BGD:上文中的公式其实算是BGD，就是利用了全部数据进行梯度计算，缺点是计算量大，且不允许在线更新模型，优点是考虑了所有数据，拟合过程稳定。SGD：随机梯度下降，计算...
2019-11-29 09:31:45
2045
原创 误差反向传播（BP）及梯度下降算法详解
摘要在机器学习算法中，误差反向传播和梯度下降是模型收敛的关键技术，作者将以单隐层模型为例说明误差反向传播和梯度下降的工作原理。各种算法的单隐层模型结构大同小异正向传播假设：主要模型参数有3个，输入层到隐含层的权重W，隐含层的偏置B，隐含层到输出层的权重beta，为了计算方便引入一个中间参数H表示隐含层的输出， 式（1）其中G（x）为激活函数，为模型提供非线性...
2019-11-28 14:55:26
5279
原创 极限学习机（ELM）算法原理及C++代码实现
从事机器学习研究两年多了，第一个用的算法就是极限学习机，CSDN算是我的领路人，在此感谢一下CSDN上分享知识的大神们，即将毕业，所学颇杂，想在此开始总结一下，顺便也为即将入坑的新手们做一些贡献。第一篇博文，或有许多不足之处，请各路大神指教，尽量做到按以下步骤能够理解并实现极限学习机算法。算法介绍极限学习机是一种单隐含层的前馈神经网络，其效率高，正确率高，泛化性能强，从初学该算法至今...
2019-11-27 16:45:16
3856
19
空空如也
Python调用c++写的dll,出现function "add"not found错误
2018-07-25
MFC程序写入位置时发生访问冲突
2018-05-07
vs2013调用python成功一半？
2018-04-03
TA创建的收藏夹 TA关注的收藏夹
TA关注的人