conv

深度学习框架的搭建（1）： https://blog.csdn.net/ustb_liu/article/details/83865866 继续深入考虑之前所述的几个过程，由粗到细： 0、预定义模型及加载：有了loadmodel 和 layer的概念 loadmodel的输入是一个模型文件，结果是建立一个网络，就叫Net吧。那么Net具体都应该包含什么呢？它应该包含各个层layer，以及各layer之间的关系即数据通路，当然要综合考虑前向和后向的数据通路；那么各个层的最终加载结果应该是什么？应该包含超参数的设置，数据的来源，更确切的说是输入数据的首地址以及确定的格式、大小，如果层内部有参数，要确定其数据存储的首地址以及格式、大小，最后是输出数据的首地址、格式、大小。 怎样通过一个模型文件得到这些结果呢？ （1）要将模型文件加载到内存； （2）要对模型文件parse，parse的结果是先建立层间关系图即一个出度图即邻接表，然后建立一个入度图即逆邻接表；而其中的各个层本身的信息，需要根据层的不同类型，建立相应的数据结构存储其相应的参数；叫layerparameter类比较合适。 （3）以上的信息都还是比较虚，只能算是设置类/概念类，因为还没有真正的分配内存，所以要根据这些设置类建立真正的实体类。所以要对每一个layer，根据其设置，设置参数，分配内存。比如说一个conv类

一、导读 这是来自B乎的一个问答。 当数据同时具备多个属性/分类时，改如何设计表结构和查询？ 二、需求描述 我偶尔也会逛逛B乎，看到一些感兴趣的话题也会回复下。 有一次，看到这样的一个话题： 链接： https://www.zhihu.com/questio... [mysql] 当数据同时属于多个分类时，该怎么查询？ 分类cate字段为[1,2,3,4,5] ，假如要查询满足分类’2’和’5′ 的数据该怎么查询？ 我尝试过用 cate like ‘%2%’ AND cate like ‘%5%’去查。 想问有没有更好的办法，我这样写数据少了还好，多了根本没法查，效率太低了。 恰好我以前做过类似的业务需求设计，所以就回复了这个问题。 三、模式设计思路 这个需求可以有几种不同的解决思路，我们分别展开说一下。 （一）用bit数据类型 大概思路如下： 1、物品属性列c1 用bit数据类型 来表示，也就是只有0、1两种取值 2、当物品属性具备某个分类属性时，其值为1，否则为0 3、假如共有5个分类，当物品拥有全部分类属性时，则其值为11111，若其不具备第3个分类属性，则其值为11011，在数据库中转成十进制存储 4、上述两种情况下，将二进制转换成十进制表示，即分别是31和27 [root@yejr.me] [zhishutang]> select conv(11111, 2, 10),

1 空洞卷积 1.1 理解空洞卷积 在图像分割领域 ，图像输入到CNN（典型的网络比如FCN）中，FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图像尺寸进行预测，之前的pooling操作使得每个pixel预测都能看到较大感受野信息。因此图像分割FCN中有两个关键，一个是pooling减小图像尺寸增大感受野，另一个是upsampling扩大图像尺寸。在先减小再增大尺寸的过程中，肯定有一些信息损失掉了，那么能不能设计一种新的操作，不通过pooling也能有较大的感受野看到更多的信息呢？答案就是dilated conv。 (a) 普通卷积，1-dilated convolution，卷积核的感受野为3×3 (b) 扩张卷积，2-dilated convolution，卷积核的感受野为7×7 (c) 扩张卷积，4-dilated convolution，卷积核的感受野为15×15 (a)图对应3x3的1-dilated conv，和普通的卷积操作一样. (b)图对应3x3的2-dilated conv，实际的卷积kernel size还是3x3，但是空洞为1，也就是对于一个7x7的图像patch

极简笔记 Deformable Convolutional Networks 论文地址： https://arxiv.org/abs/1703.06211 文章核心是提出deformable convolution和deformable roi pooling两种结构模块，使得卷积能够自由形变，打破了方形卷积的形状约束，增强了卷积对于物体几何形变的适应性。 先讲deformable convolution ，如上图，就是卷积层多出一个分支预测原始卷积核中各个bin对应的卷积位置的offset。这个offset经常是个小数，所以卷积位置的实际取值在是feature map周围像素点的线性插值。用公式表示就是，对于任意位置 p 0 p 0 //--> ，它的卷积结果就是： y ( p 0 ) = ∑ p n ∈ R w ( p n ) x ( p 0 + p n + △ p n ) y ( p 0 ) = ∑ p n ∈ R w ( p n ) x ( p 0 + p n + △ p n ) //--> 其中 p n p n //--> 属于卷积核内的相对坐标集合 R = { ( − 1 , − 1 ) , ( − 1 , 0 ) , . . . , ( 1 , 0 ) , ( 1 , 1 ) } R = { ( − 1 , − 1 ) , ( − 1 , 0 ) , . . . ,

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: This code combine image and mask for image detection? How can i correct that error? batch_size = x.shape[0] AttributeError: 'tuple' object has no attribute 'shape' This is the code used for training: train_datagen = ImageDataGenerator( rescale=1. / 255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) train_datagen_1 = ImageDataGenerator( rescale=1. / 255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) train_generator = train_datagen.flow_from_directory( train_data_dir, target_size=(200, 150), batch_size=1 ) train_generator_1=

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: My code as follows: import numpy as np import matplotlib.dates as mdates stockFile = 'HistoricalQuotes.csv' dates, close = np.loadtxt(stockFile, delimiter=',', unpack=True, usecols=(0,1), \ converters = {0: mdates.strpdate2num('%Y-%m-%d')}) print("Dates = ", dates) and the Traceback: Traceback (most recent call last): File "/Users/zdlzdlxs/Documents/workspace/pynum_practice/part3/simplestats.py", line 7, in <module> converters = {0: mdates.strpdate2num('%Y-%m-%d')}) File "/Users/zdlzdlxs/Library/Python/3.6/lib/python/site-packages/numpy/lib

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: I am trying to make 2 conv layers share the same weights, however, it seems the API does not work. import tensorflow as tf x = tf.random_normal(shape=[10, 32, 32, 3]) with tf.variable_scope('foo') as scope: conv1 = tf.contrib.layers.conv2d(x, 3, [2, 2], padding='SAME', reuse=True, scope=scope) print(conv1.name) conv2 = tf.contrib.layers.conv2d(x, 3, [2, 2], padding='SAME', reuse=True, scope=scope) print(conv2.name) It prints out foo/foo/Relu:0 foo/foo_1/Relu:0 Changing from tf.contrib.layers.conv2d to tf.layers.conv2d does not solve the

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: I have the following code which is used to deconvolve a signal. It works very well, within my error limit...as long as I divide my final result by a very large factor (11000). width = 83.66; x = linspace(-400,400,1000); a2 = 1.205e+004 ; al = 1.778e+005 ; b1 = 94.88 ; c1 = 224.3 ; d = 4.077 ; measured = al*exp(-((abs((x-b1)./c1).^d)))+a2; rect = @(x) 0.5*(sign(x+0.5) - sign(x-0.5)); rt = rect(x/83.66); signal = conv(rt,measured,'same'); check = (1/11000)*conv(signal,rt,'same'); Here is what I have. measured represents the signal I was given.

本blog为github上 CharlesShang/TFFRCNN 感谢:网上大神---龙哥和杨哥为我释疑解惑！ 阅读时间： 2018/7/4 代码位置：E:\TFFRCNN\lib\networks 调用关系： from .network import Network 代码作用 ：代码段定义了几个变量的占位符，测试阶段test.py中im_detect函数以feed_dict馈入data等图像信息，层层计算的过程。（根据内部代码）各层计算时首先置空self.inputs输入列表，然后将本层输入feed进来，将本层输出保存在self.layers字典中供下一层取输入数据时使用。 主要函数及作用 ： （1）定义了VGGnet_test子类，继承自Network父类（network.py） 需要注意上述几个变量占位符预先定义的维度信息（ data等变量维度有待下一步理解，如有读者知晓，请帮帮我，我还没深入去看 ） Self.layers字典和self.keep_prob与im_detect函数中sess.run()函数中馈入的feed_dict数据照应。 其中self.inputs[]为各层输入列表，在network.py中装饰器部分有对各层输入如何获取的代码。Self.layers存放各层输出字典，字典中键为层名，如‘conv1_1’，值为各层输出。 （2）以第一层conv1

原文链接 Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting 论文 代码 代码torch 20160629-Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting 这是其他人对该篇论文的简要解读，思路较为清除。 作者Xingjian Shi (施行健) VALSE20160323-Panel-WanfGangNTU_ShiXingjianHKUST_ShiBaoguangHUST.mp4 施行健在VALSE上的演讲内容 Convolutional LSTM keras对Conv LSTM相关的讨论 conv_lstm.py keras上对Conv LSTM相关实现例子 Convolutional-LSTM-in-Tensorflow 其中提供了ConvLSTM网络的实现结构，同时包括了改进的ConvLSTM网络结构 lstms.py 提供了convlstm的相关代码 Convolution_LSTM_pytorch 使用pytorch实现的卷积lstm网络 经典LSTM网络结构 经典LSTM的公式 预测云图的Conv LSTM结构 Conv