摘要：
1.理解 设总体有分布 $f(x;\theta_1,\cdots,\theta_k), X_1,\cdots,X_n$ 为自这个总体总抽出的样本，则样本$(X_1,\cdots,X_n)$ 的分布（即其概率密度函数或概率函数）为 $$ f(x_1;\theta_1,\cdots,\theta_k)f 阅读全文
摘要： ![[轻量化网络]ShuffleNet V2学习笔记](https://img2022.cnblogs.com/blog/741682/202210/741682-20221018143259742-137511581.png)
旷视轻量化卷积神经网络ShuffleNet V2
ECCV 2018论文：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design
通过大量实验提出四条轻量化网络设计准则，对输入输出通道、分组卷积组数、网络碎片化程度、逐元素操作对不同硬件上的速度和内存访问量MAC的影响进行了详细分析。
提出ShuffleNet V2模型，通过Channel Split替代分组卷积，满足四条设计准则，达到了速度和精度的最优权衡。 阅读全文
旷视轻量化卷积神经网络ShuffleNet V2
ECCV 2018论文：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design
通过大量实验提出四条轻量化网络设计准则，对输入输出通道、分组卷积组数、网络碎片化程度、逐元素操作对不同硬件上的速度和内存访问量MAC的影响进行了详细分析。
提出ShuffleNet V2模型，通过Channel Split替代分组卷积，满足四条设计准则，达到了速度和精度的最优权衡。 阅读全文
摘要： ![[轻量化网络]ShuffleNet V1学习笔记](https://img2022.cnblogs.com/blog/741682/202210/741682-20221009092740124-1359703249.png)
旷视轻量化卷积神经网络ShuffleNet V1。
通过group pointwise convolution分组1x1卷积和channel shuffle通道重排操作，降低参数量和计算量，扩增卷积核个数。 阅读全文
旷视轻量化卷积神经网络ShuffleNet V1。
通过group pointwise convolution分组1x1卷积和channel shuffle通道重排操作，降低参数量和计算量，扩增卷积核个数。 阅读全文
摘要： ![[轻量化网络]Mnasnet学习笔记](https://img2022.cnblogs.com/blog/741682/202210/741682-20221007161158541-1101718959.png)
谷歌轻量化卷积神经网络Mnasnet，介于MobileNet V2和V3之间。
CVPR2019论文：Mnasnet: Platform-aware neural architecture search for mobile
使用多目标优化的目标函数，兼顾速度和精度，其中速度用真实手机推断时间衡量。
提出分层的神经网络架构搜索空间，将卷积神经网络分解为若干block，分别搜索各自的基本模块，保证层结构多样性。 阅读全文
谷歌轻量化卷积神经网络Mnasnet，介于MobileNet V2和V3之间。
CVPR2019论文：Mnasnet: Platform-aware neural architecture search for mobile
使用多目标优化的目标函数，兼顾速度和精度，其中速度用真实手机推断时间衡量。
提出分层的神经网络架构搜索空间，将卷积神经网络分解为若干block，分别搜索各自的基本模块，保证层结构多样性。 阅读全文
摘要： ![[轻量化网络]MobileNet V2学习笔记](https://img2022.cnblogs.com/blog/741682/202209/741682-20220922183001225-1309822696.png)
谷歌轻量化卷积神经网络MobileNet V2，用于移动端实时边缘计算部署。
构建先升维后降维，在降维时使用线性激活函数，带残差的Inverted bottleck模块，防止ReLU信息丢失。
在图像分类、目标检测、语义分割等任务上实现了网络轻量化、速度和准确度的权衡。 阅读全文
谷歌轻量化卷积神经网络MobileNet V2，用于移动端实时边缘计算部署。
构建先升维后降维，在降维时使用线性激活函数，带残差的Inverted bottleck模块，防止ReLU信息丢失。
在图像分类、目标检测、语义分割等任务上实现了网络轻量化、速度和准确度的权衡。 阅读全文
摘要： ![[轻量化网络]MobileNet V1学习笔记](https://img2022.cnblogs.com/blog/741682/202209/741682-20220922183525543-1184991802.png)
MobileNet V1是谷歌2017年提出的轻量化卷积神经网络，用于在移动端、边缘终端设备上进行实时边缘计算和人工智能推理部署。
使用深度可分离卷积Depthwise Separable Convolution，在保证准确度性能的基础上，将参数量、计算量压缩为标准卷积的八到九分之一。引入网络宽度超参数和输入图像分辨率超参数，进一步控制网络尺寸。
在ImageNet图像分类、Stanford Dog细粒度图像分类、目标检测、人脸属性识别、人脸编码、以图搜地等计算机视觉任务上，结合知识蒸馏进行评估，MobileNet表现出极致的轻量化和速度性能。 阅读全文
MobileNet V1是谷歌2017年提出的轻量化卷积神经网络，用于在移动端、边缘终端设备上进行实时边缘计算和人工智能推理部署。
使用深度可分离卷积Depthwise Separable Convolution，在保证准确度性能的基础上，将参数量、计算量压缩为标准卷积的八到九分之一。引入网络宽度超参数和输入图像分辨率超参数，进一步控制网络尺寸。
在ImageNet图像分类、Stanford Dog细粒度图像分类、目标检测、人脸属性识别、人脸编码、以图搜地等计算机视觉任务上，结合知识蒸馏进行评估，MobileNet表现出极致的轻量化和速度性能。 阅读全文
摘要：
原文链接：/harrymore/p/16076569.html 如果你和a56爆大奖在线娱乐一样是一个后端开发者，那么日志就是通向你的应用的窗口了。不像前端，后端应用除了日志信息外没多少可以直接看到的东西。以下是a56爆大奖在线娱乐写日志的时候，遵循的一些个人原则。 记在后而非前 想当年， 阅读全文
摘要：
原文链接：/harrymore/p/16054955.html 1. 原因 librosa库在读取wav的时候，是直接用自己的库进行读取分析的，但是如果是mp3，则会调用ffmpeg作为后端进行解析，而调用的方式，是使用系统调用ffmpeg命令进行解码。 阅读全文
摘要：
原文链接：/harrymore/p/15989783.html 1. 工程结构 参考了一些博主和项目经验，总结出的一套比较通用的结构，如下： FastPro/ |-- scripts/ | |— run.sh |-- logs/ | |-- 2022-3 阅读全文
摘要：
原文链接：/harrymore/p/15749808.html 1. 问题 在跑./run.sh的时候，因为在一些数据集（如magicdata）的预处理中，会调用local/word_segment.py进行分词处理。查了一下，看到mmseg是n年前的包 阅读全文