全连接层的作用是什么？

全连接层将卷积学习到的高维特征映射到label空间，可以作为整个网络的分类器模块。

虽然全连接层参数存在冗余的情况，但是在模型进行迁移学习时，其能保持较大的模型capacity。

目前很多模型使用全局平均池化（GAP）取代全连接层以减小模型参数，并且依然能达到SOTA的性能。

阅读全文 → 2023-02-09

影响模型inference速度的因素？

1.FLOPs（模型总的加乘运算）
2.MAC（内存访问成本）
3.并行度（模型inference时操作的并行度越高，速度越快）
4.计算平台（GPU，AI协处理器，CPU等）

阅读全文 → 2023-02-08

C/C++中程序的开发流程？

开发一个C++程序的过程通常包括编辑、编译、链接、运行和调试等步骤。

编辑：编辑是C++程序开发过程的第一步，它主要包括程序文本的输入和修改。任何一种文本编辑器都可以完成这项工作。当用户完成了C++程序的编辑时，应将输入的程序文本保存为以.cpp为扩展名的文件（保存C++头文件时应以.h为扩展名）。

编译：C++是一种高级程序设计语言，它的语法规则与汇编语言和机器语言相比更接近人类自然语言的习惯。然而，计算机能够“看”懂的唯一语言是汇编语言。因此，当我们要让计算机“看”懂一个C++程序时，就必

阅读全文 → 2023-02-08

Python中列表和元组的区别？

1.列表是可变的，在创建之后可以对其进行任意的修改。
2.元组是不可变的，元组一旦创建，便不能对其进行更改，可以元组当作一个只读版本的列表。
3.元组无法复制。
4.Python将低开销的较大的块分配给元组，因为它们是不可变的。对于列表则分配小内存块。与列表相比，元组的内存更小。当你拥有大量元素时，元组比列表快。

阅读全文 → 2023-02-08

ViT（Vision Transformer）模型的特点是什么？

ViT模型特点：
1.ViT直接将标准的Transformer结构直接用于图像分类，其模型结构中不含CNN。
2.为了满足Transformer输入结构要求，输入端将整个图像拆分成小图像块，然后将这些小图像块的线性嵌入序列输入网络中。在最后的输出端，使用了Class Token形式进行分类预测。
3.Transformer比CNN结构少了一定的平移不变性和局部感知性，在数据量较少的情况下，效果可能不如CNN模型，但是在大规模数据集上预训练过后，再进行迁移学习，可以在特定任务上达到SOTA性能。

阅读全文 → 2023-02-08

卷积神经网络有什么特点？

卷积主要有三大特点：
1.局部连接。比起全连接，局部连接会大大减少网络的参数。
2.权值共享。参数共享也能减少整体参数量。一个卷积核的参数权重被整张图片共享，不会因为图像内位置的不同而改变卷积核内的参数权重。
3.下采样。下采样能逐渐降低图像分辨率，使得计算资源耗费变少，加速模型训练，也能有效控制过拟合。

阅读全文 → 2023-02-08

首页上一页 82 83 84 85 86 87 88 89 90 91 下一页尾页