论文原文https://arxiv.org/pdf/1905.02244.pdf原文翻译http://tongtianta.site/paper/27865 在通天塔网站上可以找到几乎所有深度学习经典论文或者一些顶会论文的翻译，强烈安利。设计核心MobileNetV3是继Google MobileNetV1和MobileNetV2后的新作，主要使用了网络搜索算法(用NAS通过优化每个网络...

一，GAN的原理介绍\quadGAN的基本原理其实非常简单，这里以生成图片为例进行说明。假设我们有两个网络，G（Generator）和D（Discriminator）。正如它的名字所暗示的那样，它们的功能分别是：∙∙\bulletG是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。∙∙\bulletD是一个判别网络，判别一张图片是不是“真实的”。它的输入...

0x0. 前言在【从零开始学深度学习编译器】一，深度学习编译器及TVM 介绍我们已经知道TVM可以将各种深度学习训练框架的模型（计算图）导入Relay，然后调用build接口自动生成target代码如c，llvm等。在深度学习编译器中，自动代码生成是和Graph IR表示同等重要的概念，而scheduler又是自动代码生成的核心概率，本篇文章就结合TVM源码来探索一下scheduler。...

0. 前言上一节把握了一下Mask RCNN项目的整体逻辑，这一节主要从TensorFlow和Keras的交互以及Mask RCNN的网络结构入手来分析一下。1. TensorFlow和Keras的交互说明相信熟悉Keras的同学都经常看到这行代码：import keras.backend as K如果Keras的后端是基于TensorFlow的，那么这个K就是Tensorflow了，那么自然会想

上一节的RGB转灰度图算法我又做了两个相关优化，加入了多线程以及去掉了上次SSE计算中的一些重复计算，现在相对于传统实现已经可以获得4倍加速。同时我也在做一个AVX2的优化，所以不久后我将发布一个RGB转灰度图算法优化的升级版，尝试触摸这一个算法的优化极限，我会尽快做完实验发出来的。今天我先介绍一个有趣的自然饱和度算法，并讲解如何一步步进行优化。1. 原始实现今天要介绍的自然饱和度算法是一...

前言在深度学习算法优化系列三 | Google CVPR2018 int8量化算法 这篇推文中已经详细介绍了Google提出的Min-Max量化方式，关于原理这一小节就不再赘述了，感兴趣的去看一下那篇推文即可。今天主要是利用tflite来跑一下这个量化算法，量化一个最简单的LeNet-5模型来说明一下量化的有效性。tflite全称为TensorFlow Lite，是一种用于设备端推断的开源深度学.

开篇的这张图代表ILSVRC历年的Top-5错误率，我会按照以上经典网络出现的时间顺序对他们进行介绍，同时穿插一些其他的经典CNN网络。前言这是卷积神经网络学习路线的第八篇文章，我们来回顾一下经典网络中的ZF-Net和VGGNet。稳中求胜-ZFNetZFNet是ImageNet分类任务2013年的冠军，其在AlexNet的结构上没有做多大改进。首先作者Matthew D Zeiler提出...

开篇的这张图代表ILSVRC历年的Top-5错误率，我会按照以上经典网络出现的时间顺序对他们进行介绍，同时穿插一些其他的经典CNN网络。前言这是卷积神经网络学习路线的第七篇文章，主要回顾一下经典网络中的AlexNet。背景在卷积神经网络学习路线（六）中讲到了LeNet是第一个真正意义上的卷积神经网络，然后发明者Lecun也被称为卷积神经网络之父。但LeNet发明后的几十年时间，深度学习仍然...

前言这是卷积神经网络的学习路线的第四篇文章，这篇文章主要为大家介绍一下如何减少卷积层的计算量，使用宽卷积的好处以及转置卷积中的棋盘效应。如何减少卷积层计算量？从本系列的前面几篇文章看，减少卷积层的计算量主要有以下几种方法：使用池化操作。在卷积层前使用池化操作降低特征图分辨率。使用堆叠的小卷积核代替大卷积核。VGG16中使用222个3×33\times 33×3卷积代替一个5×55\ti...

前言这是卷积神经网络学习路线的第五篇文章，主要为大家介绍一下卷积层的参数设置以及介绍我从业CV领域这一年半载在训练CNN主要用了哪些参数调整方法和网络结构调整策略，希望可以帮助到大家。卷积层的参数设置...