网站尺寸自适应,手机兼职免费加入不需要任何费用,锦州网站推广,vs2012 网站开发网上学习资料一大堆#xff0c;但如果学到的知识不成体系#xff0c;遇到问题时只是浅尝辄止#xff0c;不再深入研究#xff0c;那么很难做到真正的技术提升。
需要这份系统化的资料的朋友#xff0c;可以点击这里获取#xff01;
一个人可以走的很快#xff0c;但一…网上学习资料一大堆但如果学到的知识不成体系遇到问题时只是浅尝辄止不再深入研究那么很难做到真正的技术提升。
需要这份系统化的资料的朋友可以点击这里获取
一个人可以走的很快但一群人才能走的更远不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人都欢迎加入我们的的圈子技术交流、学习资源、职场吐槽、大厂内推、面试辅导让我们一起学习成长
特征图变大**(上采样)****。**将低分辨率的特征图样上采样到原始图像的分辨率大小以给出原始图片的分割结果。
4.各个指标比较参数量、计算量、感受野
输入的通道数为M尺寸为DF x DF 输出通道数为N卷积核大小为DK x DK 忽略偏执b。
**5.**转置卷积用途
**1)**在 DCGAN生成器将随机值转变为一个全尺寸图片此时需用到转置卷积。
2**)**在语义分割中会在编码器中用卷积层提取特征然后在解码器中恢复原先尺寸从而对原图中的每个像素分类。该过程同样需用转置卷积。经典方法有 FCN 和 U-net。
3)CNN 可视化通过转置卷积将 CNN 的特征图还原到像素空间以观察特定特征图对哪些模式的图像敏感。
6**.**代码实现
Pytorch**参考**
import torch.nn as nn
import torch
# 输入值
im torch.randn(1, 1, 5, 5)
# 转置卷积使用
c nn.ConvTranspose2d(1, 1, kernel_size2, biasFalse)
output c(im)
# 输出
print(输入\n,im.shape)
print(输出\n,output.shape)
print(卷积核参数\n,list(c.parameters()))
结果展示 三、膨胀卷积 Dilated Convolution又叫空洞卷积、扩张卷积
更详细请看笔者的博文
膨胀卷积Dilated convolutions又成空洞卷积、扩张卷积_caip12999203000的博客-CSDN博客
1.概念或背景 膨胀卷积是在标准卷积的Convolution map的基础上注入空洞以此来增加感受野reception field。因此膨胀卷积在标准卷积的基础上又多了一个超参数hyper-parameter称之为膨胀率dilation rate该超参数指的是kernel的间隔数量。膨胀卷积是****为解决语义分割任务而提出的。
**2.**卷积后的尺寸大小转换公式 其中W1为输入矩阵大小K为卷积核大小P为向外填充的参数S为步长a为膨胀率W2为输出的矩阵大小
**3.**功能
增大感受野卷积核中间填充0。在于普通卷积相同的计算条件下的情况下该卷积可以增大特征图的感受野。另外通过修改padding的大小可以保证输入输出特征图的shape不变。
4.各个指标比较参数量、计算量、感受野
输入的通道数为M尺寸为DF x DF 输出通道数为N a为膨胀率卷积核大小为DK x DK 忽略偏执b。 **5.**膨胀卷积用途
1)膨胀卷积**(Dilated Convolution**)广泛应用于语义分割与目标检测等任务中语义分割中经典的deeplab系列与DUC对空洞卷积进行了深入的思考。目标检测中SSD与RFBNet同样使用了空洞卷积。
2)ESPNet**** ESP模块模块包含point-wise****卷积和空洞卷积金字塔每层具有不同的dilation rate在参数量不增加的情况下能够融合多尺度特征相比于深度可分离卷积深度可分离空洞卷积金字塔性价比更高。参考
**6.**代码实现
Pytorch**参考** 膨胀卷积中padding与dilation所使用的因子需要是相同的否则可能会导致图像的尺寸会发生变化就不是膨胀卷积了。 import torch.nn as nn
import torch
# 输入值
im torch.randn(1, 1, 5, 5)
# 膨胀卷积使用
dilation2 # 膨胀率
cnn.Conv2d(1, 1, kernel_size2, stride2,paddingdilation, biasFalse, dilationdilation)
output c(im)
# 输出
print(输入\n,im.shape)
print(输出\n,output.shape)
print(卷积核参数\n,list(c.parameters()))
结果展示 四、分组卷积Group Convolution
更详细请看笔者的博文
组卷积和深度可分离卷积_caip12999203000的博客-CSDN博客
1.概念或背景
分组卷积Group Convolution顾名思义在对特征图进行卷积的时候首先对特征图分组再卷积。 **2.**卷积后的尺寸大小转换公式 其中W1为输入矩阵大小K为卷积核大小P为向外填充的参数S为步长W2为输出的矩阵大小
**3.**功能
**1)**减少参数量分成G组则该层的参数量减为原来的1/G。 2)分组卷积可以看做是对原来的特征图进行了一个dropout有正则的效果。
4.各个指标比较参数量、计算量、感受野
输入的通道数为M尺寸为DF x DF 输出通道数为N卷积核大小为DK x DK g为组数忽略偏执b。 **5.**分组卷积用途
**1)**分组卷积最早在AlexNet中出现由于当时的硬件资源有限训练AlexNet时卷积操作不能全部放在同一个GPU处理因此作者把feature maps分给多个GPU分别进行处理最有把多个GPU的结果进行融合。
2) IGCV1**** 简单通道的分组都是只有一个分组而以IGCVInterleaved Group Convolutions交替组卷积系列为代表的模型采用了多个分组卷积结构级联的形式。参考
6**.**代码实现
Pytorch**参考**
import torch.nn as nn
import torch
import numpy as np
# 输入值
im torch.randn(1, 4, 5, 5)
# 分组卷积使用
groups 2 # 组数
cnn.Conv2d(4, 2, kernel_size2, stride2,padding2, groupsgroups, biasFalse)
output c(im)
# 输出
print(输入\n,im.shape)
print(输出\n,output.shape)
print(卷积核参数\n,list(c.parameters()))
结果展示 五、深度可分离卷积
更详细请看笔者的博文
组卷积和深度可分离卷积_caip12999203000的博客-CSDN博客
在计算资源受限制的移动端设备上常规的卷积操作由于计算量大经常难以满足实际运行速度的要求这时深度可分离卷积(Depthwise Separable Convolution)就派上了用场。**深度可分离卷积是由Depthwise(DW)卷积与Pointwise(PW)卷积组成。该结构和常规卷积类似可用来提取特征但相比常规卷积其参数量和运算成本较低所以在一些轻量级网络中经常用到此结构如MobileNet、**ShuffleNet。
1.逐通道卷积Depthwise **Convolution即DW卷积**
Depthwise Convolution的一个卷积核负责一个通道一个通道只被一个卷积核卷积这个过程产生的Feature Map通道数和输入的通道数一样。 2.逐点卷积Pointwise Convolution即PW卷积****
Pointwise Convolution的运算与常规卷积非常相似它的卷积核大小****1x1xMM为上一层的通道数所以这里的卷积运算会将上一步的map在深度方向上进行加权组合生成新的Feature map。有几个卷积核就有几个Feature map卷积核的shape即为1 x 1 x 输入通道数 x 输出通道数 **3.**深度可分离卷积的功能
可以看出运用深度可分离卷积比普通卷积减少了所需要的参数。重要的是深度可分离卷积将以往普通卷积操作同时考虑通道和区域改变成卷积先只考虑区域然后再考虑通道。实现了通道和区域的分离。
**4.**各个指标比较参数量、计算量、感受野
输入的通道数为M尺寸为DF x DF 输出通道数为N a为膨胀率卷积核大小为DK x DK n为卷积核的个数忽略偏执b。 5.深度可分离卷积用途
1)在一些轻量级网络中经常用到此结构如MobileNet****、ShuffleNet、SqueezeNet等
Xception**** 基 于Inception系列网络结构的基础上结合depthwise separable convolution, 就是Xception。参考
6**.**代码实现
Pytorch
import torch.nn as nn
import torch
import numpy as np
# 输入值
im torch.randn(1, 4, 5, 5)
# 深度可分卷积使用
hidden_channel 4 # 组数
out_channel 1
# DW卷积
c1 nn.Conv2d(hidden_channel, hidden_channel, kernel_size2, stride2, padding2, groupshidden_channel, biasFalse)
# PW卷积
c2 nn.Conv2d(hidden_channel, out_channel, kernel_size1, biasFalse)
output1 c1(im)
output2 c2(output1)
# 输出
print(输入\n,im.shape)
print(输出\n,output2.shape)
print(卷积核参数\n,list(c2.parameters()))
结果展示 六、总结
上面是笔者对于前面几个博客关于卷积的总结分别从概念、背景、原理、****参数量、计算量、感受野、各种卷积的优点以及在网络的应用展开讲解。如果您感觉有用的话请点个谢谢。
为了做好运维面试路上的助攻手特整理了上百道 【运维技术栈面试题集锦】 让你面试不慌心不跳高薪offer怀里抱
这次整理的面试题小到shell、MySQL大到K8s等云原生技术栈不仅适合运维新人入行面试需要还适用于想提升进阶跳槽加薪的运维朋友。 本份面试集锦涵盖了
174 道运维工程师面试题128道k8s面试题108道shell脚本面试题200道Linux面试题51道docker面试题35道Jenkis面试题78道MongoDB面试题17道ansible面试题60道dubbo面试题53道kafka面试18道mysql面试题40道nginx面试题77道redis面试题28道zookeeper
总计 1000 道面试题 内容 又全含金量又高
174道运维工程师面试题 1、什么是运维? 2、在工作中运维人员经常需要跟运营人员打交道请问运营人员是做什么工作的? 3、现在给你三百台服务器你怎么对他们进行管理? 4、简述raid0 raid1raid5二种工作模式的工作原理及特点 5、LVS、Nginx、HAproxy有什么区别?工作中你怎么选择? 6、Squid、Varinsh和Nginx有什么区别工作中你怎么选择? 7、Tomcat和Resin有什么区别工作中你怎么选择? 8、什么是中间件?什么是jdk? 9、讲述一下Tomcat8005、8009、8080三个端口的含义 10、什么叫CDN? 11、什么叫网站灰度发布? 12、简述DNS进行域名解析的过程? 13、RabbitMQ是什么东西? 14、讲一下Keepalived的工作原理? 15、讲述一下LVS三种模式的工作过程? 16、mysql的innodb如何定位锁问题mysql如何减少主从复制延迟? 17、如何重置mysql root密码? 网上学习资料一大堆但如果学到的知识不成体系遇到问题时只是浅尝辄止不再深入研究那么很难做到真正的技术提升。
需要这份系统化的资料的朋友可以点击这里获取
一个人可以走的很快但一群人才能走的更远不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人都欢迎加入我们的的圈子技术交流、学习资源、职场吐槽、大厂内推、面试辅导让我们一起学习成长
名解析的过程? 13、RabbitMQ是什么东西? 14、讲一下Keepalived的工作原理? 15、讲述一下LVS三种模式的工作过程? 16、mysql的innodb如何定位锁问题mysql如何减少主从复制延迟? 17、如何重置mysql root密码? 网上学习资料一大堆但如果学到的知识不成体系遇到问题时只是浅尝辄止不再深入研究那么很难做到真正的技术提升。
需要这份系统化的资料的朋友可以点击这里获取
一个人可以走的很快但一群人才能走的更远不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人都欢迎加入我们的的圈子技术交流、学习资源、职场吐槽、大厂内推、面试辅导让我们一起学习成长
