bobo 和 ponpon 的 blog

Pon Pon 對於自己的牙齒排列不滿意很久了，終於在 25 歲這年開始牙套諮詢！ 預算問題，我一開始想選擇傳統牙套，但是在得知隱適美可以用軟體模擬矯正完成的樣子、且療程中若有問題都還能進行整療計畫的修改，我果斷選擇了隱適美。  先說明我的牙齒情況，我的牙弓是ㄇ字形、門牙些微內傾、有點深咬、頰廊(這好像是中國用詞？)比較大一些，此外我比較不滿意的是我的微笑線跟笑容，笑起來說好聽是靦腆，難聽點就是僵僵的、有點尷尬笑不開的樣子，下巴突出也是我在意的一個問題。  我總共諮詢了五家，以下只有第一家是一年前去諮詢的，後續四家都是近期諮詢。  [明圳團隊齒顎矯正專科診所]   諮詢費用：1000  諮詢資料搜集：X光 (含側面)、隱適美口掃、隱適美照相  費用：傳統 10+萬、隱適美 20+萬 （太久遠了忘記確切數字） 印象中我是直接 google “牙齒矯正台北”找到這家的，當時這家的網路評價很不錯，因此我也沒做其他功課，諮詢費用直接給他繳下去。牙助姊姊會幫你搜集x光跟隱適美需要的資料 (我當時不知道原來是隱適美資料ＱＱ我以為這是正常的諮詢流程)，然後蘇院長會簡單跟你談一下，後來回想我覺得蘇院長可能太忙了，所以並沒有很用心在跟我對談，他只有告訴我整完會變很漂亮... 接著這家診所會幫你安排骨科醫師，幫你看你的顳顎關節有沒有問題，看了我才知道原來我的臉一邊長一邊短，所以在嘴巴開合的時候會以 S 曲線的軌道打開閉合，但這無法透過矯正牙齒改善(哭啊)。 最後牙助姊姊會再跟你約時間說明你的牙齒情況，不是醫生來說明這點我覺得有點小扣分，但牙助姊姊很熱心也蠻專業的。她說我的咬合是正常的，也沒有突嘴、厚道等問題，下巴突出是單純我的骨頭生長比較多，雖然說我的門牙確實有點內傾，但我整完牙外觀改變不大。 [大直裕見美牙醫診所 YU JIAN DENTAL] 諮詢費用：0 諮詢資料搜集：X光 費用：隱適美 23 萬 我看到查理在這家二次矯正，而且診所的矯正團隊大多數醫生都是台大出生(我有台大迷思xd)，所以特地跑去遠遠的大直諮詢。這家診所非常新，整體環境是我最喜歡的，牙助會先幫你照 X光，然後黃院長會親自來跟你對談。過程中他說他可以用墊高咬合的方式幫我處理深咬以及下巴突出的問題，基本上對談結果都是 “ok 可以做到”，但是這家真的太新了，醫...

 深度學習模型可視化 深度學習的框架越來越多，從最多人用的 Tensorflow, Pytorch, 已經被併入 Tenserflow 的 Keras, 或是工業部署會用到的 Tensorflow lite 等等，當你今天拿到一個模型，想要知道模型架構是如何設計，使用可視化工具是一種方便且簡單的方式。 然而，不同的框架對模型可視化的支援度不一樣，因此 netron  的出現可以省去許多麻煩。自從我去公司上班後才發現這個好用的工具，真是相見恨晚啊~ netron 簡介 netron 的 github 頁面列出了所有支援的模型檔案，真的是林林總總，學都學不完啊，如果每次拿到一個新框架的模型，為了看懂模型架構而從頭開始學習，實在是太浪費時間了。netron 就可以幫助你快速的理解模型架構，netron對不同框架的支援度不太一樣，有些已經非常完整，有些可能會有一點小問題，大家可以自行嘗試。 netron 可以安裝在 macOS, Windows, Linux, 也可以直接使用網頁板，非常的方便，我平常使用時都直接用網頁版的。netron 的操作非常直觀，滑鼠滾輪放大縮小，按住左鍵可以上下移動。 netron 可視化結果 netron 的 github 已經提供許多範例了，這邊放個比較不一樣的: tensorflow lite 的 quantize model，quantize(量化) 可以有效減少模型大小，是部署深度學習模型常用的方法。這邊從 tensorflow hub 下載的 mobilenet_v1_0.25_128_quantized  ，用 netron 來看看模型的架構和參數。 下圖是選取第一個 Conv2D 的結果，可以看到 netron 把 Conv2D 的參數，input, weight, bias, 和 output 全都包了，提供了許多有用的資訊。比如說這個模型的輸入是大小 128 * 128 的彩色圖片，第一個 Conv2D 的 bias 實際的數值是多少等等。有關 quantize 的參數若想知道可以在底下告訴我。 netron 視覺化範例 Pytorch 呢，怎麼畫出來這麼奇怪 很可惜，如果你今天只有 pytorch 的 model weight 檔 (.pth) ，是沒有辦法知道模型是怎麼相連的，這是因為 pytor...

身為文山區在地住民，我竟然不知道興隆路上開了一家平價又好吃的春美日式料理，這家讓我想起公館的靜壽司，兩家店有一點像，都有賣壽司丼飯，但春美除了丼飯還有賣炒飯、煎蛋跟其他小菜，菜單比較多元一點，喜歡平價日式料理的朋友絕對不能錯過。 要提醒大家的是，店內的位子不多、生意很好，若想早點吃到美食建議早一點到場。 春美-鮭魚丼 春美-菜單 本 來想點 google 評論上很推的秋葵（不在菜單上）與水蓮，但很可惜當日沒有賣，想吃這兩樣的朋友可能要碰碰運氣了。 春美-鮭魚炒飯 春美-塔香蝦卵煎蛋 我們各自點了鮭魚炒飯跟鮪魚丼，還有 google 評論很推的塔香蝦卵煎蛋，老闆先送了剛煮好的炒飯跟煎蛋，上來的菜還熱騰騰，煎蛋很濕潤很香，炒飯有我很喜歡的大鍋快炒的一種焦味（？），是真的蠻好吃的。 鮭魚丼上面的鮪魚卵我很喜歡，吃起來很像真的（？），但鮭魚本人我覺得還好，值得一提的是，他給了一大坨"真實"的山葵，吃得出來不是化學做的，飯上的小菜也都很好吃。 我們去的時候老闆只有一人，因此炒飯跟煎蛋上菜會等久一點，老闆都先煮好後才後續上大家丼飯。 [整體心得]： 好吃，適合學生族，吃習慣超頂級生魚片的人可能不適合，例如我爸。 生意很好，不適合趕時間的人。 [春美-harumi] 地址：11649台北市文山區興隆路四段71號 營業時間： 週一～週六 17:00~23:00 週日 17:00~22:30

簡介 RepVGG: Making VGG-style ConvNets Great Again  將會收錄在 CVPR 2021，在現在深度學習模型越來越複雜的，或是各種NAS(neural architecture serach) 動輒幾千GPU小時找出的模型架構的時代中令人眼睛一亮的論文，在視覺相關任務的模型設計上可以提供很大的啟發。 建議讀者先有下列的知識，在閱讀此文章或論文時會好理解許多:     1. 深度學習常見模型的架構: VGG 、 ResNet , Densenet, Inception 等，理解 CNN 模型演變史  2. 熟悉將 BN (batch norm) 的參數合併進 convolution 的方法。因 BN 和 convolution 實際上都是矩陣乘法和加法的運算，因此模型在推論 (inference) 時可以將 BN 合併進 convolution 來減少模型的參數和計算量，詳細的計算可以參考 這邊 。 背景 近年來深度學習模型的發展，多分支(multi-branch) 模型逐漸成為主流，例如 ResNet 的殘差連結(residual connect) 讓訓練較深的模型變容易，Inception 則藉由多分支來獲得不同感受野(receptive fileld)的特徵。多分支模型往往可以達到較高的效益，但也有一個很明顯地缺點: 記憶體使用量，多分支的模型比須保存中間結果直到分支合併，導致推論時速度變慢或是需要更多的記憶體，不利於工業界做模型的部署與加速。 為了解決這個問題，作者設計了 RepVGG,  在多分支的狀況下訓練模型，並用結構重新參數化的方法將分支合併，讓模型在推論時只有單一分支，藉此達到高準確率又能維持記憶體使用量。   多分支的記憶體使用量較多示意圖 模型設計 論文首先解釋為何模型骨架要使用 VGG，主要因為下列三個原因: 1. 速度快: RepVGG 只使用 3*3 convolution ， NVIDIA cuDNN 或是 Intel MKL 都有對 3*3 convolution 做加速，而且未來如果某個硬體想對 RepVGG 的部署做優化，就只需要針對 3*3 convolution 的計算特別優化，不必考慮其他操作。 2. 節省記憶體: ...