作者查詢 / fragmentwing
作者 fragmentwing 在 PTT [ DataScience ] 看板的留言(推文), 共80則
限定看板:DataScience
看板排序:
全部C_Chat41671Gossiping22607HatePolitics13137Military8321C_ChatBM2590StarCraft1754WomenTalk1725Kaohsiung1296joke1065UmaMusume789Aquarium725Marginalman697Boy-Girl604StupidClown567movie508Warfare472nCoV2019437Physics348SENIORHIGH286marvel272Math224Tainan179Fortran173YOLO171Suckcomic167AC_In161Paradox160PokemonGO128GUNDAM124Stock123Tech_Job121C_GenreBoard99DataScience80L_TalkandCha64DummyHistory59historia59MusicGame57Teacher57Steam56marriage50Python45Violation44graduate43Beauty42juniorhigh37Shana34PublicIssue30TypeMoon28LightNovel27SRW26C_BOO25NBA24NTU24specialman23BabyMother22Galaxy19CFantasy18ACGN_stock17L_SecretGard17Salary17MobileComm16Test16Child_Psy15Japan_Travel15MenTalk15IA14medstudent14TigerBlue14Hamster13Windows13AI_Art12Hunter12LoL12PokeMon12NCKU11ONE_PIECE11Statistics11car10PttEarnMoney10TW-history10WOW10AfterPhD9C_and_CPP9PlayStation9Baseball8Chemistry8Electronics8gallantry8KOTDFansClub8Shadowverse8About_Life7Aviation7Hearthstone7home-sale7Militarylife7TaichungBun7DIABLO6Examination6GossipPicket6PublicServan6ScienceNote6StarWars6Touhou6TY_Research6Vocaloid6AntiVirus5biker5ChangHua5FATE_GO5FBG5Hualien5Kyoto_Ani5L_TaiwanPlaz5Little-Games5PCReDive5RumikoTWorld5aqua-shop4ArakawaCow4CrossStrait4dog4Hate4Isayama4KanColle4Lifeismoney4mobilesales4NARUTO4nb-shopping4NEMS4NSwitch4P2PSoftWare4PhD4sex4Soft_Job4StarTrek4studyteacher4wearefriends4Anti-Cancer3battlegirlhs3BB-Love3BlizzHeroes3Chen-Hsing3Conan3Doraemon3fastfood3HK-movie3KoreaStar3NCTU_TALK3Olympics_ISG3PingTung3politics3Ptt-Press3rent-exp3Shu-Lin3ShuangHe3speech3Tokusatsu3TPC_Police3Wanhua3WarCraft3WorldCup3AirForce2Aves2book2C_WorkBoard2Childhood2China-Drama2Christianity2Comic2CVS2DMM_GAMES2e-shopping2gay2GHIBLI2GirlComics2HSNU_8202japanavgirls2Japandrama2JinYong2JOJO2kochikame2MGL-history2NCYU_Fst_982NHK2OverWatch2PC_Shopping2PttBug2PuzzleDragon2Railway2Sijhih2SongShan2SurvivalGame2Taoyuan2Vtuber2Women_Picket2worldtrigger2youtuber2YUGIOH2AboutBoards1Acad-Affairs1AllTogether1Anchors1Arknights1asciiart1ask1AzurLane1Badminton1BanG_Dream1BBSmovie1BigBanciao1Buddha1C_Chemistry1C_Question1CareerPlan1cat1ChainChron1Chan_Mou1chicken1Civil1CODE_GEASS1Cruise1cute1DigiCurrency1EAseries1EatToDie1Ecophilia1Elephants1Evangelion1FinalFantasy1FISH-FRIEND1FishShrimp1Food_Safety1FTV1GBF1Gintama1GL1GlassNoKamen1GO_FATE1Google1Gov_owned1H-GAME1hololive1Hsinchu1HsinTien1hypermall1Insurance1Interdiscip1iOS1J-PopStation1kawaii1Keelung1KMT1KMU1KR_Buzz1kugimiya1LAW1Lawyer1LCD1Learn_Buddha1LTK1Malaysia1Master_D1MdnCNhistory1media-chaos1Miaoli1mobile-game1Mongolia1MRT1Nangang1Neihu1NetSecurity1NEURO1NHU_LD921Nurse1Old-Games1Palmar_Drama1part-time1Pingpong1prozac1PttHistory1Rayark1Rockman1RockMetal1RTS1SakuraWars1SAN1Sangokumusou1SCPS85-4131seiyuu1SlamDunk1SMSlife1soho1soul1SouthPark1stationery1SuperHeroes1SYSOP1TakahashiRie1talk1TamShui1TAXI1Tennis1THU_Talk1TKU_EE_92C1TWproducts1WorkinChina1Yunlin1YUYUHAKUSHO1ZeroTsukaima1<< 收起看板(308)
首頁
上一頁
1
下一頁
尾頁
31F推: 樓上這樣要不要再加一組resize縮小的方便捕捉較大的04/28 18:36
32F→: 物體?04/28 18:36
26F推: 之前也有想過這個問題 但是看到模型裡一大堆的maxpo04/26 15:14
27F→: ol層之後就覺得 應該沒想像中嚴重04/26 15:14
28F→: 另外一樓好專業04/26 15:15
2F→: 原來是這樣 我一直以為是我裝到哪個就是哪個 因為之04/13 14:10
3F→: 前看人家教學時都是要看cuda版本左邊的那個數字去找04/13 14:10
4F→: 相容性 原來根本可以跳過這步XD04/13 14:10
11F→: 原來是剛好裝得有相容性04/13 17:08
12F→: 多個cuda共存是指同一張gpu嗎?這樣torch運行時會怎04/13 17:08
13F→: 麼選擇使用的cuda啊?04/13 17:08
28F→: 完全不一樣XD04/13 17:05
4F→: 我後來梳理這次要建的結構 發現合在一起還是比較合04/13 00:43
5F→: 適的 只不過這次的構思過程中確實激起我的好奇心04/13 00:43
6F→: 用一個optimizer的話應該還是同一個更新 只是loss會04/13 00:43
7F→: 像雙胞胎三胞胎網路那樣由多個網路輸出後合併計算吧04/13 00:43
8F→: 直接loss相加很有趣的感覺04/13 00:58
12F→: 是的 我看到的方法是裝在分類器裡 實際上提供評價的04/13 13:59
13F→: 還是分類器output後算出來的loss04/13 13:59
14F→: STN算是間接跟著更新04/13 13:59
15F→: 個人認為這其實會為模型帶來不穩定因素04/13 13:59
16F→: 因為一個loss就要同時負責分類的準確度與映射的正確04/13 13:59
17F→: 度 意義的解釋上存在衝突04/13 14:00
18F→: 不過我實作上是有提升辨識準確度04/13 14:00
19F→: 最有趣的是 STN可以推廣到一維和多維的調參上(非指04/13 14:02
20F→: 超參)04/13 14:02
21F→: 理論上你可以用STN的方式給一維資料做平滑處理的參04/13 14:02
22F→: 數調整 像是多項式要幾次或窗口要多大 只要能確保這04/13 14:03
23F→: 個平滑過程大致上存在能收斂的地方04/13 14:03
24F→: 那STN就會在訓練過程中找出適合的調參04/13 14:08
25F→: 等等我發現我原文就有把全名打出來了XD04/13 14:13
11F推: 就算不是跑ML 只是讀檔寫檔也會把CPU用好用滿的04/11 13:32
1F→: 我知道有itk-snap 可是這個好像是三維的也查不太到09/13 13:15
2F→: 它背後的演算邏輯 不知道有沒有專門做二維圖像的?09/13 13:15
3F→: 自己有嘗試過用cv2的sift演算法去抓特徵不過抓出來09/13 13:15
4F→: 不太理想09/13 13:15
10F→: 謝謝大大 其實我是要找二維的09/13 16:51
11F→: 光線這個舉例看來是不好09/13 16:52
12F→: 面臨的狀況是二維陣列構成的照片A和B 要用A當基準去09/13 16:59
13F→: 修復B B看起來可能有整體位移+局部扭曲 本來應該是09/13 16:59
14F→: 一般的拼接就可以處理 可是又有局部扭曲的問題要處09/13 16:59
15F→: 理 有查到這種局部扭曲的話要用變形場去看的樣子 不09/13 16:59
16F→: 過我只查到怎麼去弄變形場(還是nii這種3維類型的資09/13 16:59
17F→: 料 所以也還沒法把這一步完全實作出來)而且沒看到09/13 16:59
18F→: 怎麼重建09/13 16:59
19F→: 因為可能有涉及保密問題我只能講得這麼含糊 對大大09/13 17:00
20F→: 感到很抱歉09/13 17:00
22F→: 感謝大大體諒QAQ09/13 17:38
27F→: 謝謝c大09/13 17:59
28F→: 可以再問傳統cv是甚麼嗎 我不太確定這個和機器學習09/13 17:59
29F→: 的cross validation是不是指同一件事? 深度分割指的09/13 17:59
30F→: 是像skimage的segmentation 和 restoration?09/13 18:00
31F→: 大大考慮的角度 兩張圖是不會差太多09/13 18:01
34F→: 謝謝C大09/14 15:13
35F→: 真的沒去查過這點……09/14 15:13
7F→: 我的狀況是因為結構本身就不一樣所以layer_name不一04/29 19:46
8F→: 樣,除非不用sequential直接給各層命名04/29 19:46
9F→: 後來想想應該可以利用layer編號雖然間隔不一但必定04/29 20:11
10F→: 增長的特性來寫個能自動存成list的作法04/29 20:11
11F→: 雖然還是很不自動就是04/29 20:23
14F→: 一般的遷移學習因為是同結構但任務不同所以預訓練可04/29 22:19
15F→: 以直接載 但這次的狀況是結構不同所以我才得去指定04/29 22:19
16F→: 層數04/29 22:19
15F→: 感謝建議!!待會來試試看04/29 19:19
16F→: imbalance 的話雖然兩邊都是1000筆資料 可能是我bat04/29 19:19
17F→: ch太小造成的?04/29 19:19
19F→: 既然是胡言亂語待會回來修個文加註免得誤導別人04/29 19:24
22F→: why doesn't the accuracy ……那篇沒錯吧 我倒是看04/29 20:22
23F→: 到好幾個說改用sgd的建議但沒看到指正的評論 還是大04/29 20:22
24F→: 大指的是要做weight initialization的事?04/29 20:22
5F→: optimizer有寫只是放在更前面指定 lr調過幾次都不影03/09 23:19
6F→: 響這個問題03/09 23:19
7F→: 主要是擔心因為我看到有人說是pytorch使用gpu時造成03/09 23:19
8F→: 的bug(不過他的案例是不要用adam就行 但我這邊一開03/09 23:19
9F→: 始用的就是sgd)03/09 23:19
11F→: 嗚嗚想說換另一個人寫的vgg下來代,結果gpu記憶體03/10 19:24
12F→: 不足,請問3070真的還不夠vgg16用嗎?03/10 19:25
18F→: 感謝建議 我看看怎麼解03/11 13:35
143F推: 80樓真的是那種強者不需要靠雪梨襯托的類型 好強04/17 11:51
144F→: 學歷04/17 11:51
首頁
上一頁
1
下一頁
尾頁