码到成功 · 文章列表

YOLOv3 数据输入详解

YOLOv3 的模型结构很重要，但训练能不能跑起来，第一关往往不是网络，而是数据。 图片怎么读？标注怎么写？框坐标怎么变？anchor 怎么匹配？`y_true` 到底是什么形状？

Read

2019-03-19

YOLOv3网络结构

YOLOv3 的 backbone 是 `Darknet-53`。这个名字很好记，因为它主要由 `53` 个卷积层构成。

Read

2019-03-04

深入理解 Embedding 层的本质：不只是降维

很多人第一次接触 Embedding 时，会把它理解成“把 one-hot 降维”。这个理解没错，但只说了一半。Embedding 更重要的能力是：把离散对象放进一个连续向量空间，让模型能够学习它们之间的关系。

Read

2019-02-28

BN、LN、IN：它们到底在“归一化”什么

归一化层做的事情，本质上就是先把一组值拉回到更稳定的分布附近，再交给可学习参数重新调整。

Read

2019-02-13

一文看懂 CNN 反向传播原理

CNN，也就是卷积神经网络，前向传播比较容易理解：输入图像经过卷积、激活、池化、全连接，最后得到预测结果。

Read

2019-01-15

Logistic Regression 原理探讨：从概率、Logit 到 Python 实战

Logistic Regression，中文通常叫逻辑回归。名字里带“回归”，但它最常见的用途其实是分类，尤其是二分类。

Read

2018-12-25

CNN 里全局池化和全连接层怎么理解：原理、区别与 Python 用法

为什么有的模型最后接的是全连接层？为什么有的模型会直接用全局平均池化？全局池化能不能替代全连接层？

Read

2018-12-10

深度学习里的 Embedding 层：从 one-hot 到稠密向量

Embedding 是深度学习里非常常见的一层，尤其是在自然语言处理、推荐系统、搜索、广告、用户画像这些场景里，几乎到处都能看到它。

Read

2018-11-04

卷积神经网络里的 BN、Dropout 和 Leaky ReLU：原理与 Python 用法

卷积神经网络听起来很硬核，但很多常见组件其实都在解决很朴素的问题：让网络更好训练、让梯度更稳定、让模型别太容易记住训练集。

Read

2018-10-17

决策树的常见玩法

决策树是一种非常直观的机器学习模型。它的思路很像人在做判断：先问一个问题，根据答案走到不同分支，再继续问下一个问题，最后得到一个预测结果。

Read

2018-10-08