黄圣杰

bjfuhsj.top

发表于 更新于 分类于 阅读次数：
本文字数： 369 阅读时长 ≈ 1 分钟

2024.09.21

  • 度过了一个阶段性的锻炼，难得有时间停下脚步，收拾收拾心情，好再出发。
  • 考古自己过往的成果文件，发现之前在知网选择了隐藏致谢。便站定，再次翻看起了自己曾经真情流露的文字。再次阅读，还是能让我感到欣慰，并感慨万千。虽然三年的硕士生涯，在前两年把我折磨得天昏地暗，但依然很感谢那段日子里，努力向上攀爬的自己。这不像是军训后普遍存在的那种“斯德哥尔摩综合征”式的回味，而是对命运就此被改变的那种“事后烟”的舒畅，开心、疲惫、后怕、敬畏多种情愫交织杂糅在一起，构成了那段时间的高度美好概括。
阅读全文 »

发表于 更新于 阅读次数：
本文字数： 0 阅读时长 ≈ 1 分钟

image-20220617140240495

发表于 更新于 分类于 阅读次数：
本文字数： 642 阅读时长 ≈ 1 分钟

1108组会：

  • 完成软著申请
  • 完成 开题PPT 修改
  • 完成 VC综述 论文整理
  • 尚未完成 开题综述 主体部分（花了较多时间看格式处理）
  • 阅读《AiShell-3》论文：值得分享一个亮点（speaker-embedding-cycle-consistence Loss）
阅读全文 »

发表于 更新于 分类于 阅读次数：
本文字数： 4.6k 阅读时长 ≈ 4 分钟

几种卷积类型辨析

1
2
3
4
conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, groups=3)
conv.weight.data.size()

# output = torch.Size([6, 2, 1, 1])

一种分类方法：

几种卷积示意：（分组卷积 group_convolution；深度卷积 depthwise convolution； 全局深度卷积 global depthwise convolution）

  1. groups 默认值为1， 对应的是常规卷积操作
  2. groups > 1， 且能够同时被in_channel / out_channel整除，对应group_convolution
  3. groups == input_channel == out_channel , 对应depthwise convolution,为条件2的特殊情况
  4. 在条件3的基础上，各卷积核的 H == input_height; W == input_width, 对应为 global depthwise convolution, 为条件3的特殊情况

另一种分类方法：主要分三类：正常卷积、分组卷积、深度分离卷积

阅读全文 »