码到成功 · 文章列表

三维视图看懂 `keras.permute_dimensions` 和 `numpy.transpose`

Read

2019-11-25

词句相似度计算：余弦相似度和 TF-IDF

两句话到底像不像，机器没法像人一样先“感觉一下”。比较常见的做法是：先把文本变成向量，再比较两个向量的方向。 余弦相似度做的就是这件事。它不太关心向量有多长，更关心两个向量是不是朝着差不多的方向走。方向越接近，相似度越高。

Read

2019-11-02

FRCNN 和 YOLOv3 损失函数详解

有些目标检测文章一讲到 `loss` 就开始一串公式劈头盖脸砸下来，看着像懂了，回头一写代码又有点发懵。这个话题其实没必要绕那么远： - 真实标签到底长什么样 - 网络最后吐出了什么 - 这些量分别在逼着模型优化什么

Read

2019-10-08

深度学习里的可分离卷积：把大卷积拆成轻快两步

普通卷积很好用，但也很“费”。输入通道多、输出通道多、卷积核又不小的时候，计算量和参数量都会蹭蹭上去。 可分离卷积的思路很妙：既然普通卷积同时做了“空间特征提取”和“通道混合”，那我们能不能把这两件事拆开？先在每个通道里单独看空间，再用 `1×1` 卷积把通道信息混起来。

Read

2019-09-09

GAN 与 CycleGAN

聊生成对抗网络时，很多人一开始会被各种图绕晕。明明只想搞懂一句话，结果一眼望过去全是 `G`、`D`、真假标签、双向箭头、回环路径，脑子直接开始打结。

Read

2019-08-10

层层逼近，搞懂 Norm 系列到底在解决什么

深度学习里的 Norm 家族很热闹：BN、LN、IN、GN、SN，看名字像一串缩写暗号。 但它们的出发点并不玄乎：网络越深，中间层的数据分布越容易乱跑。分布一乱，后面的层就要一边学习任务，一边适应前面层不断变化的输出，训练自然会变慢、变抖，甚至变得难收敛。

Read

2019-07-16

卷积神经网络新姿势：除了余弦卷积，这几招也值得认真看一眼

上一篇我们已经聊过 `CosineConv2D` 这种更偏卷积算子层面的新玩法，这一篇换个方向，看几个不用大改骨架、但很有意思的“小招式”。

Read

2019-06-07

CosineConv2D：用余弦相似度重新理解卷积

普通卷积大家都熟：卷积核在图像上滑动，每次取一个局部窗口，和卷积核做对应位置相乘再求和。 `CosineConv2D` 换了一个思路：不要只看点乘结果有多大，而是看输入局部窗口和卷积核方向有多像。

Read

2019-05-30

YOLOv3 整体归纳总结

如果前面几篇已经把 `YOLOv3` 的网络结构、数据输入、损失函数分别拆过一遍，那么最后这一篇就很适合做个收口：它到底好在哪，坑又埋在哪。

Read

2019-04-26

YOLOv3 损失函数详解：xy、wh、置信度和类别

YOLOv3 的损失函数看起来绕，主要是因为它不是只算一个分类误差，而是同时处理四件事：框中心点是否准 、框宽高是否准 、这个位置是否有目标 、目标属于哪个类别

Read

2019-04-02