漫徹思特

對(duì)于一個(gè)模型讼庇，來(lái)新數(shù)據(jù)后需要將新數(shù)據(jù)加入訓(xùn)練集。如果重新訓(xùn)練孝治，相當(dāng)于扔掉了之前的訓(xùn)練逼肯，這樣是比較浪費(fèi)的胎围。更好的做法是什么留攒？

漫徹思特

新安裝的Ubuntu 20.04系統(tǒng)捌斧，Python 3.8.5笛质，發(fā)現(xiàn)在IPython里無(wú)法使用TAB鍵補(bǔ)全，無(wú)法導(dǎo)入Numpy等模塊捞蚂，退出時(shí)還有一大堆報(bào)錯(cuò)信息妇押，其中重點(diǎn)是這一...

漫徹思特

可以從最大似然估計(jì)的角度理解交叉熵：例如一個(gè)圖片，該圖片的類別服從一個(gè)分布P(x)姓迅，在N次獨(dú)立同分布實(shí)驗(yàn)中（例如讓N個(gè)人去判斷這個(gè)圖片的類別）敲霍，該圖片類別的觀察值為x的次數(shù)為...

漫徹思特

一、信息量一個(gè)事件發(fā)生的概率為p丁存，則該事件的信息量為-logp肩杈，概率高的事件，其信息量低解寝。二扩然、熵熵為一個(gè)隨機(jī)變量(分布)信息量的期望：三、KL散度KL散度為分布到分布信息量變...

漫徹思特

當(dāng)linux服務(wù)器無(wú)法訪問(wèn)外網(wǎng)時(shí)聋伦，docker pull等命令無(wú)法使用夫偶，可以通過(guò)設(shè)置docker代理實(shí)現(xiàn)：創(chuàng)建以下文件夾： 編輯以下文件： 文件內(nèi)容： 重啟docker： 參...

漫徹思特

linux服務(wù)器無(wú)法連接外網(wǎng)時(shí)，需要通過(guò)代理連接外網(wǎng)觉增，設(shè)置方式：修改/etc/apt/apt.conf兵拢， 參考：鏈接[https://blog.csdn.net/baidu_...

漫徹思特

1、查看文件的權(quán)限以及所屬的用戶名和用戶組： 輸出的含義參見(jiàn)鏈接[https://www.cnblogs.com/zhi-leaf/p/11442878.html] 2逾礁、向用...

漫徹思特

設(shè)input tensor的shape為N, c_in, h_in, w_in说铃，output tensor的shape為N, c_out, h_out, w_out.kern...

漫徹思特

cls head 和 reg head 在四個(gè)stage的feature map是共享的，然而，這些feature map的分布是不同的截汪，可不可以在這幾個(gè)feature ma...

漫徹思特

假設(shè)kernel size為k，dilation為d植捎，則加上dilation后的kernel size為d * (k - 1) + 1衙解，可以這么理解：原始的kernel，相鄰...

漫徹思特

令 m = nn.Conv2d(32, 64, 3, groups=4)焰枢，則weight的shape為[64, 8, 3, 3]蚓峦，bias的shape為[64]，可以理解為济锄，...

漫徹思特

關(guān)于attention的疑惑：attention普遍采用feature的相似度作為權(quán)重暑椰，然而，假設(shè)在一個(gè)句子的self attention中荐绝，一個(gè)單詞與較遠(yuǎn)處的另一個(gè)單詞相同...

漫徹思特

在tracking的matching部分一汽，一個(gè)object在graph中的位置是一個(gè)匹配的有效信息〉吞玻可以用GCN召夹，attention等方法利用graph信息，使得object...

漫徹思特

采用不同的head數(shù)的參數(shù)量不變：因?yàn)樵趇n-projection以及out-projection時(shí)是不分組的恕沫，和head數(shù)無(wú)關(guān)监憎。在計(jì)算attention時(shí)，是分組的婶溯，將em...

漫徹思特

mAP即PR曲線的面積鲸阔，PR曲線繪制時(shí)需要將預(yù)測(cè)框的置信度從大到小排序，遍歷每個(gè)預(yù)測(cè)框迄委，求累計(jì)的precision和recall值褐筛，當(dāng)遍歷到一個(gè)置信度為p的預(yù)測(cè)框時(shí)，求得的p...

漫徹思特

DCN使得卷積的采樣位置發(fā)生了變化跑筝，但是不同位置的卷積核權(quán)重仍相同死讹，能否讓卷積核權(quán)重也做到自適應(yīng)？用self attention曲梗？ 將DCN用于3D卷積中赞警？ DCN對(duì)于分類應(yīng)...

漫徹思特

Multiple View Geometry in Computer Vision 視覺(jué)SLAM 14講

漫徹思特

為什么不需要NMS？為什么set based global loss通過(guò)bipartite matching能夠force unique predictions虏两？?jī)蓚€(gè)pred...

漫徹思特

該文章將DETR應(yīng)用于action proposal generation愧旦。encoder沒(méi)有采用self attention，而是采用了boundary attention...