原创 嵌入式Linux平臺部署AI神經網絡模型Inference的方案
轉載：https://www.jianshu.com/p/d4425b65c6e6 ONNX 簡述 ONNX是一種AI神經網絡模型的通用中間文件保存方法(可以理解成AI世界的XML)，各種AI框架，Inference引擎，甚至Open
2020-06-15 14:21:05
原创 智能算法--------------進化計算總結
1粒子羣算法2改進的粒子羣算法3遺傳算法4蟻羣算法 5量子粒子羣算法6量子粒子羣算法+Levy飛行7模擬退火算法優化計算 8SA模擬退火優化的PSO粒子羣算法9基於AC0的TSP求解10GA優化求解TSP問題視頻 11基於人羣搜索算法S
2020-06-15 14:21:05
原创 BN使用方法
本文轉載：https://blog.csdn.net/m0_37987687/article/details/80241893 https://blog.csdn.net/heiheiya/arti
2020-06-15 14:21:05
原创 優化算法總結-牛頓法與擬牛頓算法-泰勒展開式
https://blog.csdn.net/zgcr654321/article/details/89674713 泰勒展開式，可以近似的將複雜的函數用簡單的函數表達，進而可以方便的進行求解 在牛頓法中泰勒展開式可以根據當前的點，求解最優
2019-07-31 03:04:54
原创 顯卡驅動與cuda、cudnn之間的關係
https://blog.csdn.net/qq_27825451/article/details/89082978 概述，需要注意以下幾個問題： （1）NVIDIA的顯卡驅動程序和CUDA完全是兩個不同的概念哦！CUDA是NVIDIA
2019-04-12 01:57:54
原创 java常用數據類型總結
基本數據類型 int long float double boolean char final double PI = 3.1415927; 聲明常量 double[] myList = new double[size]; 創建
2019-04-03 01:40:39
1
原创 模型保存與使用
https://blog.csdn.net/marsjhao/article/details/72829635 一、TensorFlow模型保存和提取方法 1. TensorFlow通過tf.train.Saver類實現神經網絡模型的保
2019-03-31 01:46:25
原创 智能優化算法總結
1粒子羣算法2改進的粒子羣算法3遺傳算法4蟻羣算法 5量子粒子羣算法6量子粒子羣算法+Levy飛行7模擬退火算法優化計算 8SA模擬退火優化的PSO粒子羣算法9基於AC0的TSP求解10GA優化求解TSP問題視頻 11基於人羣搜索算法S
2019-03-30 01:52:52
1
原创 微信小遊戲開發學習記錄
微信小遊戲主要是在canvas上進行圖片的渲染，以及通過js操作圖片動態的刷新 微信小遊戲開發筆記： 特點： 快速體驗，段生命週期，轉化率高 體驗優於手機網頁 不需要下載或者註冊 展望： 替代過重的Ap和體驗差的手機網頁 快速引流，引
2019-02-19 06:40:49
原创 android開發學習細節
支付寶開源android開發圖標 http://www.iconfont.cn/plus 去除頂部導航欄 <style name="AppTheme" parent="Theme.AppCompat.Light.NoActionBar"
2019-02-01 20:35:37
原创 神經網絡中使用BN其測試以及模型保存方法
模型保存方法： saver = tf.train.Saver(tf.global_variables()) 下文中在cifar10數據中的模型保存以及測試： 訓練以及模型保存代碼： #!/usr/bin/env python3 #
2019-01-25 20:24:24
原创 神經網絡設計各模塊設計
圖像標準化 tf.image.per_image_standardization(image) 這個操作計算(x - mean) / adjusted_stddev，其中mean是圖像中所有值的平均值，以及adjust
2019-01-18 19:43:12
原创 神經網絡各子模塊設計
平均池化層 def avgpool(x_tensor, pool_ksize, pool_strides): return tf.nn.avg_pool(x_tensor, ksize = [1, pool_ksize[0]
2019-01-18 19:43:12
3
原创 神經網絡訓練
在神經網絡訓練中常會出現過擬合、欠擬合、梯度消失、梯度爆炸等現象。 過擬合即爲模型訓練的效果太好，模型在訓練集上的準確率大於在測試集上的準確率。通常原因有以下幾點： （1）模型過於複雜，模型在很早在訓練集上收斂，而在測試集上準確率較低。
2019-01-17 19:51:02