上一篇文章介绍了window10 下TensorFlow-gpu，环境的搭建。本文主要是在此基础上搭建faster-rcnn  源码地址：https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5  一步步说明：1- Install tensorflow, preferably GPU version. Follow ins...

https://zhuanlan.zhihu.com/p/31727402

    因为想在Tensorflow-gpu 上跑Faster-rcnn，以前在Ubuntu16.04上跑过caffe的faster-rcnn（搭建过程可以参考以前的文章），但是在新的笔记本上装双系统后，在Ubuntu16.04上，显卡驱动始终安装不成功，折腾了两三天没办法，退而求其次，打算在Windows10+Tensorflow-gpu 搭建Faster-rcnn，依然是一路坑，一路泪啊。记录

使用开源的libcur实现post发送数据。libcur的使用请自行百度。下面是我的代码，用post发送过个类型的数据//httpcurl.h#include#include "SqlOperation.h"classCFaceRecognice;class CHttpClient{public:CHttpClient(CSqlOperation* sqloperat

学习率是一个非常非常重要的超参数，这个参数呢，面对不同规模、不同batch-size、不同优化方式、不同数据集，其最合适的值都是不确定的，我们无法光凭经验来准确地确定lr的值，我们唯一可以做的，就是在训练中不断寻找最合适当前状态的学习率。比如下图利用fastai中的lr_find()函数寻找合适的学习率，根据下方的学习率-损失曲线得到此时合适的学习率为1e-2。

源码地址：https://github.com/smallcorgi/Faster-RCNN_TF 我自己做的数据集和voc的格式一样，所以只修改classes 里的类别就好。1、/Faster-RCNN_TF/lib/datasets/pascal_voc.py      self._classes 修改为自己数据的类2、/Faster-RCNN_TF/lib/networks/VGGnet_t

Anaconda 可以直接conda 安装opencv，但是有时候需要编译安装，在Anaconda环境中遇到各种坑，入坑好几天。终于解决了。记录下。1、首先更新一下，安装一些依赖库sudo apt-get updatesudo apt-get upgradesudo apt-get install build-essentialsudo apt-get install -y lib...

背景学习率是最影响性能的超参数之一，如果我们只能调整一个超参数，那么最好的选择就是它。 其实在我们的大多数情况下，遇到 loss 变成 NaN 的情况大多数是由于学习率选择不当引起的。一、Warmup的最初提出?Warmup是在ResNet论文中提到的一种学习率预热的方法，它在训练开始的时候先选择使用一个较小的学习率，训练了一些steps（15000steps，见最后代码1）或者epoches(5

学习率是一个非常非常重要的超参数，这个参数呢，面对不同规模、不同batch-size、不同优化方式、不同数据集，其最合适的值都是不确定的，我们无法光凭经验来准确地确定lr的值，我们唯一可以做的，就是在训练中不断寻找最合适当前状态的学习率。比如下图利用fastai中的lr_find()函数寻找合适的学习率，根据下方的学习率-损失曲线得到此时合适的学习率为1e-2。

从这篇文章中，我们了解了这个数据集以scene understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。COCO数据集有91类，虽然比ImageNet和SUN类别少，但是每一类的图像多，这有利于获得更多的每类中位于某种特定场景的能力，对比PASCAL VOC，其有更多类和图像。├── Annotations#存放xml文件，与JP