roocoolll-CSDN博客

原创 Caffe源码解读（Layer）

LayerLayer类是caffe中所有类的基类，定义了层的基本操作，定义新的层需要override前传反传这些纯虚函数.。先看层的数据成员:1）LayerParameter layer_param_;这是存储在proto中的层的超参数2）Phase phase_;层的工作状态：TRAIN or TEST3）vector<shared_ptr<Blob&lt...

2019-05-07 17:03:00 401

原创 Caffe源码解读（proto和blob）

caffe的几大基类Blob：caffe的基本数据结构。涉及到的所有输入输出、网络参数权重都存储在Blob中Layer：网络的基础单元，前传反传的实现Net：将Layer整合起来，搭建神经网络Solver：定义网络的训练策略caffe.proto1）Protocol Buffer：一种结构化数据的存储格式，可在编译后生成一些列C的函数。caffe.proto运行后会生...

2019-05-07 17:01:04 754

原创 MTCNN细节详解

PNet,RNet.Onet输出的都是BoundingBox的集合，每个BoundingBox包括当前左上角与右下角坐标，坐标的预测偏移量（比例），是否人脸的二分类置信度，5个landmarks的10个坐标。BoundingBox的定义PNet1. 每输入一张图像，会以一个设定的放缩因子p，以{1,p,p^2,p^3,p^4...}的比例逐渐缩小，生成一个图像金字塔，最后得到的...

2019-05-07 16:57:26 5506 1

1.切（s-t cut）的定义：最小切问题当然就是找到一个最小的s-t cut2.流问题：流是一些s到t的简单路径，满足两个条件：1）路径中每条边的流量f(e)小于等于容量c(e)2)路径中每个顶点（除了源点s与汇点t),流入的流量必须等于流出的流量定义总流量：3.对于任意s-t割（A，B），s-t流的值等于A的流出值减去A的流入值：4.s-t flow 一定小于 s-t cut，证明：很显然，如...

2018-05-09 11:52:07 3448 1

原创算法设计复习（二）：贪心算法

1.贪心算法是分多个步骤求解一个问题，在每个问题以一定的优化方法找出局部最优解，并且各步的结果是相容的。以不同的优化方法求局部最优解，可以构造不同的贪心算法。2.贪心算法不一定可以得到全局最优解3.用贪心算法求解Interval Scheduling问题：我们可以想到四种贪心策略：最早开始时间；最早结束时间；最少冲突任务；相邻任务最短时间间隔其中只有以最早结束时间作为优化策略，才可以得到全局最优解...

2018-05-03 20:39:26 838

原创算法设计复习（一）：渐进增长阶

1.渐进增长阶常用来表示算法程序运行消耗的时间与空间2.在渐进增长阶中我们忽略常数（想想其实常数是没有意义的，我们写的编程语言往往每一步变成机器语言会成为好几步，只能给出一个粗略的范围）3.渐进记号及其定义4.虽然从定义来看是集合的概念，但是我们习惯于同等号表示属于该集合5.更直观地表示各渐进符号：6.比较算法的复杂度时，大原则是：指数>>多项式>>对数7.常见算法复杂度（...

2018-05-03 17:06:44 6979

原创 Tensorfolw:模型持久化与迁移学习

Tensorflow的模型持久化主要有两种方式，一种是保存为CKPT文件（通过tf.train.Saver()类），一种是保存为pb文件（通过graphutil)。通过checkpoint先来看看通过ckpt文件持久化模型的例程：import tensorflow as tfv1 = tf.Variable(tf.constant(1.0), name='v1...

2018-04-13 23:13:14 387

原创对于残差网络(Resnet)的理解

理论上来说，网络结构越深，提取的图像特征越“高级”，应该得到的学习效果更好。但是当我们传统网络堆到一定深度时，却准确度下降了。文章中主出了深层网络存在的两个问题：1.梯度弥散与梯度爆炸2.对于一个已经实现了最优拟合的浅层网络，如果再增加一些层，我们希望这些层最终权重都是1，实现恒等映射，而实际的学习中很难做到这一点，导致多经过网络加深后反而效果下降。这个问题称作退化问题。针对以上问题，作...

2018-04-11 21:47:00 3626

原创 SphereFace: Deep Hypersphere Embedding for Face Recognition（人脸识别论文笔记）

这是一篇发表于2017年cvpr的文章，在open-set的人脸识别方面取得了非常令人瞩目的成果。文章下载：https://pan.baidu.com/s/1rwyD1UUIHBhRzr7nA6v9Sw 密码:naurGithub:https://github.com/wy1iu/sphereface纵览整篇论文，最重要的贡献是提出了新的损失函数（A-Softmax），并从几何学角度给出了直观的...

2018-04-09 00:04:34 517

原创 Sharing Variables in Tensorflow

在深度学习的训练过程中，为了减少训练参数数量，或是在不同计算机上并行运算，我们往往需要共享变量。Tensorflow中的变量共享主要是通过tf.variable_scope和tf.variable来实现。 tf.variable_scope()主要是对于图中大量变量进行批量化管理，域内的变量会被加上同一个前缀名，同时该函数还会自动生成一个同名name_scope(),故域内...

2018-04-06 12:57:51 165

原创 Ubntu 16.04下caffe安装与Python接口配置详细攻略

虽然已经接触深度学习有一段时间了，但是因为教研室的项目原因还是第一次尝试使用caffe。早就听说caffe安装有很多坑，这两个上午的安装历程确实深有感触，网上的许多博客里的教程在使用时碰到各种错误也是让人非常心烦，所以决定自己尝试记录下整个过程。一.Caffe安装主要参照官方指导文件：点击打开链接1.安装依赖库首先update$ sudo apt-get...

2018-03-21 11:57:12 468

roocoolll的博客