回歸損失函數1：L1 loss, L2 loss以及Smooth L1 Loss的對比
總結對比下\(L_1\) 損失函數，\(L_2\) 損失函數以及\(\text{Smooth} L_1\) 損失函數的優缺點。 均方誤差MSE (\(L_2\) Loss) 均方誤差（Mean Square Error,MSE）是模型預測值\(f(x)\) 與真實樣本值\(y\) 之間差值平方 ...
原文：smooth_L1_loss_layer.cu解讀 caffe源碼初認識
.cpp是cpu上運行的代碼，.cu是gpu上運行的代碼。 這是smooth L loss layer.cu的前向傳播部分 blob的主要變量： blob只是一個基本的數據結構，因此內部的變量相對較少，首先是data 指針，指針類型是shared ptr，屬於boost庫的一個智能指針，這一部分主要用來申請內存存儲data，data主要是正向傳播的時候用的。同理，diff 主要用來存儲偏差，sha ...
2017-06-27 18:54 0 3061 推薦指數：
相關推薦
怎樣在caffe中添加layer以及caffe中triplet loss layer的實現
關於triplet loss的原理。目標函數和梯度推導在上一篇博客中已經講過了。詳細見：triplet loss原理以及梯度推導。這篇博文主要是講caffe下實現triplet loss。編程菜鳥。假設有寫的不優化的地方，歡迎指出。 1.怎樣在caffe中添加新的layer ...
Caffe源碼解析3：Layer
轉載請注明出處，樓燚(yì)航的blog，http://home.cnblogs.com/louyihang-loves-baiyan/ layer這個類可以說是里面最終的一個基本類了，深度網絡呢就是一層一層的layer，相互之間通過blob傳輸數據連接起來。首先layer必須要實現一個 ...
交叉熵、Focal loss、L1，L2，smooth L1損失函數、IOU Loss、GIOU、DIOU和CIOU
深度學習之損失函數小結 在深度學習中，損失函數扮演着很重要的角色。通過最小化損失函數，使得模型達到收斂狀態，減少模型預測值的誤差。因此，不同的損失函數，對模型的影響是重大的。下面總結一下常用的損失函數： 圖像分類：交叉熵 目標檢測：Focal loss、L1/L2損失 ...
caffe層解讀-softmax_loss
轉自https://blog.csdn.net/shuzfan/article/details/51460895。 Loss Function softmax_loss的計算包含2步： （1）計算softmax歸一化概率 （2）計算損失 這里以batchsize=1的2分類為例 ...
caffe層解讀系列-softmax_loss
轉自：http://blog.csdn.net/shuzfan/article/details/51460895 Loss Function softmax_loss的計算包含2步： （1）計算softmax歸一化概率 （2）計算損失 這里以batchsize=1的2分類為例 ...
ssd源碼解讀(caffe)
ssd是經典的one-stage目標檢測算法，作者是基於caffe來實現的，這需要加入新的層來完成功能，caffe自定義層可以使用python和c++，faster rcnn既使用了c++定義如smoothl1layer，又使用了python定義，如proposaltargetlayer ...
Caffe源碼解析5：Conv_Layer
轉載請注明出處，樓燚(yì)航的blog，http://home.cnblogs.com/louyihang-loves-baiyan/ Vision_layer里面主要是包括了一些關於一些視覺上的操作，比如卷積、反卷積、池化等等。這里的類跟data layer一樣好很多種繼承關系。主要包括 ...