相关文章
SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation 论文笔记
SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation 论文笔记
论文链接： https://arxiv.org/abs/2002.10111 一、 Problem Statement
目前的单目3D视觉中，通常非常依赖于RCNN网络或者RPN网络，然后会多加一个分支去…
使用 Amazon EC2 降低 DeepRacer 的训练成本 DeepRacer-for-cloud 的实践操作
AWS DeepRacer-for-Cloud的官方博客文档： 直达链接：利用Amazon EC2进一步降低DeepRacer训练成本 | 亚马逊AWS官方博客
写在最前
由于博客中已经写了具体的方案，这里将里面的脚本提取出来，并对相应的问题做解决
这里采用 Deep L…
caffe+报错︱深度学习参数调优杂记+caffe训练时的问题+dropout/batch Normalization
一、深度学习中常用的调节参数 本节为笔者上课笔记（CDA深度学习实战课程第一期） 1、学习率
步长的选择：你走的距离长短，越短当然不会错过，但是耗时间。步长的选择比较麻烦。步长越小，越容易得到局部最优化…
达观数据：数据不够？GAN来凑！
大名鼎鼎的深度学习之父Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法”。的确，GAN向世人展示了从无到有、无中生有的神奇过程，并且GAN已经在工业界有着广泛的应用，是一项令人非常激动的AI技术。今天我将和大家一起去了解GAN及其内部工作原理，洞开GAN的大门。
本文…
数据不够？GAN来凑！
https://www.jiqizhixin.com/articles/2019-06-13-11 大名鼎鼎的深度学习之父Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法”。的确，GAN向世人展示了从无到有、无中生有的神奇过程，并且GAN已经在工业界有着广泛的应用，是一项令人非常…
台湾大学林轩田机器学习基石课程学习笔记14 -- Regularization
红色石头的个人网站：redstonewill.com 上节课我们介绍了过拟合发生的原因：excessive power, stochastic/deterministic noise 和limited data。并介绍了解决overfitting的简单方法。本节课，我们将介绍解决overfitting的另一种非常重要的方法&…
Amazon DeepRacer 模型训练指南及标准硬件配置流程
Amazon DeepRacer 介绍 Amazon DeepRacer 是一个综合性的学习系统，可供各个水平的用户用来学习和探索强化学习以及试验和构建自动驾驶应用程序。 DeepRacer 可分为两个主要部分： ● Amazon DeepRacer Console：在线训练和评估强化学习模型在模…
课程14：捕食者游戏进阶——按照gym标准书写
上一期的捕食者游戏（Q learing)进阶 参考视频南方小鱼儿：编写强化学习环境进阶
1.导入库
import numpy as np
import cv2
from PIL import Image
import time
import pickle
import pylab as plt
plt.style.use(ggplot)2.参数定义
EPISODES 30000 …
AWS DeepRacer 参数调优 Amazon SageMaker 和 Amazon RoboMaker
1. 介绍 Amazon SageMaker 和 Amazon RoboMaker 在支持 Amazon DeepRacer 方面扮演的角色 2. 如何调整奖励函数以提升性能 3. 通过超参数调优来优化模型。该视频介绍了 Amazon DeepRacer 中提供的每个超参数以及它们对跟踪性能的影响。 4. parameters
default Hyperparameters…
在CV/NLP/DL领域中，有哪些修改一行代码或者几行代码提升性能的算法？
文章转载自知乎，仅作学术分享，著作权归属原作者，如有侵权请联系删除！ 圈圈回答： 想起来些非常经典的东西 1. relu：用极简的方式实现非线性激活，还缓解了梯度消失 x max(x, 0) 2. normalization…
机器学习随记【day02-03】
课程中会用到的符号 m Number of training examples 训练样本的数量 x’s “input” variable / features 输入特征 y’s “output” variable /"target"variable 输出变量 (x,y) one training example 一个训练样本 (x^ (i),y^ (i) ) 第i个训练样本，i不…
Cohere 的 temperature、top-p、top-k、frequency_penalty、presence_penalty和likelihood参数
Cohere 的 temperature、top-p、top-k、frequency_penalty、presence_penalty和likelihood参数 1. Temperature2. Top-p 和 Top-k3. frequency_penalty 和 presence_penalty4. likelihood 1. Temperature
Temperature（范围：0 ~ 5）࿱…
粒子群优化算法（2）离散粒子群算法
在上一篇博客 粒子群优化算法（1）中介绍了基本的粒子群算法，基本粒子群算法是基于连续空间（区间）进行搜索，然而在一些实际的工程应用中，我们的待求解的变量可能并不是历需的，而实一种…
深入了解- TCP拥塞状态机 tcp_fastretrans_alert
这里主要说的是TCP拥塞情况下的状态状态处理
/* Process an event, which can update packets-in-flight not trivially.* Main goal of this function is to calculate new estimate for left_out,* taking into account both packets sitting in receivers buffer and* pack…
计算机网络知识点总结（网络部分看这一篇就够了！）
以下是我自己复习网络相关知识整理的笔记，发上来和大家分享，如有不对欢迎指出 前情提要： IP头部 ARP IP地址和MAC地址的转换【如果主机 A 知道主机 B 的 IP 地址，但是 ARP 高速缓存中没有该 IP 地址到 MAC 地址的映射，…
http1,https,http2,http3总结
1.HTTP
当我们浏览网页时，地址栏中使用最多的多是https://开头的url，它与我们所学的http协议有什么区别？ http协议又叫超文本传输协议，它是应用层中使用最多的协议， http与我们常说的socket有什么区别吗？ …
网络篇03 | 应用层 quic
网络篇03 | 应用层 quic 01 QUIC报文格式02 QUIC握手流程03 QUIC的优势1）0-RTT 握手2）无队头阻塞3）连接迁移4）流量控制和拥塞控制(改进)流量控制算法—流级别拥塞控制算法—自定义 5）前项纠错FEC6）提升的安…