摘要：
论文译文 大佬分析的原文 简洁分析 架构： 实际的VGG16（只算卷积和全连接层的个数为16） （前两组conv-relu-conv-relu-pool，中间三组conv-relu-conv-relu-conv-relu-pool，最后三个fc，前两个fc是fc-relu-dropout，最后一个f 阅读全文
摘要：
https://blog.csdn.net/m0_45962052/article/details/104849869 阅读全文
摘要：
8层（5个conv 3个fc） 绿的norm层后来证明没啥用 现在看它的conv1用的卷积核11 stride4就挺离谱的 特点： ①用的relu激活函数，成功解决了Sigmoid在网络较深时的梯度弥散问题。（虽然别人提过 略略略） 在ReLU之后会做一个normalization（没啥用 阿一古） 阅读全文
摘要：
IoU 的全称为交并比（Intersection over Union） “预测的边框” 和 “真实的边框” 的交集和并集的比值。 链接 阅读全文
摘要：
防止过拟合 除了数据增强，还有正则项/dropout等方式可以防止过拟合。 常见方法： 1）随机旋转 随机旋转一般情况下是对输入图像随机旋转[0,360) 2）随机裁剪 随机裁剪是对输入图像随机切割掉一部分 3）色彩抖动 色彩抖动指的是在颜色空间如RGB中，每个通道随机抖动一定的程度。在实际的使用中 阅读全文
摘要：
在多级前馈网当中，隐藏层的定义是：除输入层和输出层以外的其他各层叫做隐藏层。隐藏层不直接接受/接触外界的信号,也不直接向外界发送信号。 阅读全文
摘要：
不用Sigmoid，现在用relu啦 relu： Sigmoid： Sigmoid 和 Softmax 区别： 二分类问题时它们一样，而 softmax 可以用于多分类问题 阅读全文
摘要：
卷积conv 全连接fc（full connected） 不算POOLing、LRN、softmax（通常用relu的），可能是因为： 参数太少。像relu、pool这样的层参数量太少，有的甚至如激活层relu不保存中间结果直接给下一层； 计算量小。相比conv甚至fc，pool这些层的计算量太少。 阅读全文
摘要：
一条龙服务 一个典型的机器学习构建包含若干个过程，pytorch中有好多包进行调用的吧~~~~~ 1、源数据ETL 2、数据预处理 3、特征选取 4、模型训练与验证 以上四个步骤可以抽象为一个包括多个步骤的流水线式工作，从数据收集开始至输出我们需要的最终结果。因此，对以上多个步骤、进行抽象建模，简化 阅读全文
摘要：
在别人的网络上微微改动①去尾巴，得特征，换线性分类器②去尾巴和一点卷积层，得泛化特征 以下是常见的两类迁移学习场景： 1 卷积网络当做特征提取器。 拿掉全连接层，剩余部分当做特征提取器 这样提取的特征叫做CNN codes。 再线性分类器（Liner SVM、Softmax等）来分类图像。 2 Fi 阅读全文
摘要：
localization是找到某个物体的检测框 detection是找到所有物体的检测框 阅读全文