这篇博客将实现的主要神经网络如下所示：以下是相关代码的实现步骤：简单化的实现导入必要内容# Import MNIST dataimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("/tmp/data/", one_ho

这篇博客将实现的主要神经网络如下所示：以下是相关代码的实现步骤：简单化的实现导入必要内容# Import MNIST dataimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("/tmp/data/", one_ho

cuda 版本检查：nvcc -Vcat /usr/local/cuda/version.txtcudnn 版本检查：cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2或者(不同版本命令不同)cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2参考：https://me...

NMS简介非极大抑制算法应用相当广泛，其主要目的是消除多余的框，找到最佳的物体检测位置。其实现的思想主要是将各个框的置信度进行排序，然后选择其中置信度最高的框A，将其作为标准选择其他框，同时设置一个阈值，当其他框B与A的重合程度超过阈值就将B舍弃掉，然后在剩余的框中选择置信度最大的框，重复上述操作。定义dets矩阵与阈值import numpy as npdets = np.array([

SSD-Caffe(Official) – VGG16SystemVOC2007 test mAPFPS (Titan X)Number of BoxesInput resolutionFaster R-CNN (VGG16)73.27~6000~1000 x 600YOLO (customized)63.44598

基本情况《A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection》是发表于ECCV16的一篇很出色的文章，来自加州圣地亚哥的Zhaowei Cai。其基本思路是提出了一种多尺度卷积神经网络，由于不同层的feature map的优势不一样，如较低层的feature map由于感知野较小，因此对

在全连接网络部分，Dropout这一超参得到了较为广泛的应用，同时取得了不错的效果。下面就来简单地谈谈Dropout。什么是Dropout我们知道，典型的神经网络其训练流程是将输入通过网络进行正向传导，然后将误差进行反向传播。Dropout就是针对这一过程之中，随机地删除隐藏层的部分单元，进行上述过程。综合而言，上述过程可以分步骤为：随机删除网络中的一些隐藏神经元，保持输入输出神经元不变；将输入

在NIN(Network in Network) 这篇论文中有很多的思想让人受益匪浅，其中之一就是全局平均池化(Global Average Pooling) 对于全连接层的替代性分析。刚开始由于觉得之后的研究不需要NIN，因此就没去看论文，看了一下其他人的博客，发现关于其原因讲得并不清楚，只说是那么用的。后来实在是受不了了，看了看论文，而且找到了一个较好的讲解，现在算是完全弄懂了。首先我们来看一

一般而言，刷机是在Ubuntu16.04的系统上进行，本人在ubuntu16.04系统上进行了初步的测试，暂时存在一些问题，因此建议首先配备一台Ubuntu14.04的host主机(不建议使用虚拟机)。由于TX2有两种开发板，至于NVIDIA最官方的开发板有相关的教程，因此不再此处赘述，详情参见相关教程。本人使用的是另一种类型的TX2开发版。如图所示：1. 从官网下载JetPack3.0下载

《机器学习》课程学习笔记什么是机器学习机器学习的原始定义（Arthur Samuel）为在进行特定编程的情况下，给予计算机学习能力的领域。在后来，卡内基梅隆大学的Tom Mitchell 将机器学习定义为：一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当有了经验E之后，经过P评判，程序在处理T时的性能有所提升。学习的主要内容这门课程的视野很宽，主要