HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

用树莓派4b构建深度学习应用(一)硬件篇

前言<blockquote最近树莓派4b发布了8gb的版本,这么大的内存用在嵌入式设备上,简直是为了深度计算而生,果断入手了一块,遂开启了一轮踩坑之旅。<p为了避免重复网上已有的树莓派教程,后续系列文章,我尽量以2020年为基准,先打造一个最新最稳定的软硬件开发环境,再在其上构建A

CNN:Deep Layer Aggregation[精读]

摘要视觉识别需要丰富表达,从高到低的层,从小到大的尺度,从细到粗的分辨率。尽管在卷积网络有深度特征,但是孤立的层还是不够:复合和聚合这些表达可以改进&34;what&34;和&34;where&34;的推断。架构工作正在探索网络骨干的方方面面,设计更深的网络或者更宽的架构,但是如

【技术博客】面向大规模的联邦学习:系统设计

摘要联邦学习是一种分布式的机器学习方法,可以对大量分散在移动设备上的数据进行训练,而在实现时,则会遇到许多问题。因此,如何设计一个系统这个问题就会自然而然产生。本文基于Tensorflow,介绍基于移动设备的联邦学习的系统设计,概述一些挑战和解决方法,并探讨一些未解决的问题和未来的

【技术博客】纵向联邦学习简介及实现

案例引入某银行A与某互联网公司B达成了企业级的合作。互联网公司A与银行B有着一大部分重合的用户,A有着客户上网行为等特征信息。B有着客户的存贷情况等特征信息以及客户的标签信息——客户的还贷情况(Y)。B希望能够将他所独有的特征信息与A所独有的特征信息相结合,训练出一个更强大的识别客户信用

softmax 输出层数学原理推导

相比于计算机,我更喜欢数学的推导,觉得数学推导是可触摸的更有立体感,甚至你可以追溯到根本。作为神经网络算法的第一篇文章,我决定用softmax输出层作为开篇之作。这篇文章我觉得不错(https://link.segmentfault.com/?encM%2BQmeE13oQqX2%2B0L

PIoU Loss:倾斜目标检测专用损失函数,公开数据集Retail50K | ECCV 2020 Spotlight

<blockquote论文提出从IoU指标延伸来的PIoU损失函数,能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果,对anchorbased方法和anchorfree方法均适用。另外论文提供了Retail50K数据集,能够很好地用于评估倾斜目标检测算法的性能<br/ <

正在加载更多文章…

加载更多

已加载文章中没有匹配内容,可继续加载更多。