MobileNetV2 基於 MobileNetV1 做改進,提出了一個創新的 layer module: the inverted residual with linear bottleneck,能夠在提升準確度的同時也提升了速度,是由 Google 於 2018 年發表的輕量化模型。
📝 Paper: https://arxiv.org/abs/1801.04381
隨著神經網路越來越深,為了使模型更加穩定,Batch Normalization 已成了目前神經網路的標準配備之一,本文就要來介紹什麼是 Batch Normalization
Google 於 2015 年提出了 Batch Normalization 的方法,和輸入數據先做 feature scaling 再進行網路訓練的方法類似。在輸入數據時,通常都會先將 feature 做 normalize 後再進行訓練,可以加速模型收斂;而 Batch Normalization 就是指在每一層輸入都做一次 normalize
上一篇文章: Pytorch 分散式訓練 DistributedDataParallel — 概念篇 有介紹分散式訓練的概念,本文將要來進行 Pytorch…
深度學習在 Computer Vision (CV) 領域的幾項重要任務應用分別有 Image Classification (影像分類)、Object Detection (物件偵測)、Image Segmentation (圖像分割),其中 Image Segmentation 是針對像素進行檢測分類,能應用於美顏化妝、人物肖像、自動駕駛、生物醫學、智慧畜牧等任務上。
2022/02/21 update
上一篇有介紹如何在 Ubuntu 安裝 CUDA、cuDNN,本篇將要來介紹 Win10 的 CUDA、cuDNN 安裝教學
安裝流程分為以下步驟,作業系統使用 Windows 10
自從 AlexNet 在 ImageNet LSVRC 比賽中,以懸殊的差距奪得了冠軍,開啟了 CNN 時代。接下來的ImageNet冠軍都是使用 CNN,並且層次越來越深,使得CNN 成為在影像識別分類的核心演算法模型,帶來了深度學習的大爆發
在介紹前,先來談談為何不使用多層感知機 (Multilayer Perceptron,MLP) 神經網路 (全連接層的架構) 來處理影像
本文將要來介紹一個輕量 YOLO 模型 — YOLO-fastest 以及如何訓練、NCNN 編譯,並且在樹莓派4 上執行
近幾年來,Edge AI 越來越熱門,而什麼是 Edge AI 呢? 就是指將人工智慧佈署在邊緣設備中,相較於 Cloud AI,他可以提升執行效率以及避免隱私洩露的問題,因此 AIoT 也從 Cloud AI延伸到了 Edge AI。