摘要：
https://blog.csdn.net/lengxiaomo123/article/details/68926778/ 阅读全文
摘要：
https://blog.csdn.net/xiaopohaibebo/article/details/45073347 直接在软件中心安装，或者用安装命令sudo apt-get install goldendict,然后输入密码，开始安装 主要是配置，全是个性化的啊 开打后在编辑-->词典 >网 阅读全文
摘要：
1.安装 you-get 2.使用 you-get 下载视频（you-get + 视频url），这样视频就会被保存在当前路径下 阅读全文
摘要：
cv::Mat 是存放图片的数据类型 cv::imread() 用来读取图片 cv::nameWindow() 用来定义窗口 cv::imshow() 用来显示图片 cv::waitkey() 用来定义退出时间 cv::destroyWindow() 用来销毁窗口 cv::VideoCapture 阅读全文
摘要：
深度学习笔记(三)：激活函数和损失函数 https://blog.csdn.net/u014595019/article/details/52562159 卷积神经网络系列之softmax，softmax loss和cross entropy的讲解 https://blog.csdn.net/u01 阅读全文
摘要：
1、 Α α alpha a:lf 阿尔法 角度；系数2 、Β β beta bet 贝塔 磁通系数；角度；系数3、 Γ γ gamma ga:m 伽马 电导系数（小写）4、 Δ δ delta delt 德尔塔 变动；密度；屈光度5、 Ε ε epsilon ep`silon 伊普西龙 对数之基数 阅读全文
摘要：
文章作者：Tyan 博客：noahsnail.com | CSDN | 简书、 1. 扩张卷积 Dilated Convolutions，翻译为扩张卷积或空洞卷积。扩张卷积与普通的卷积相比，除了卷积核的大小以外，还有一个扩张率(dilation rate)参数，主要用来表示扩张的大小。扩张卷积与普通 阅读全文
摘要：
残差编码： Fisher Vector https://blog.csdn.net/ikerpeng/article/details/41644197 VLAD特征 https://blog.csdn.net/happyer88/article/details/47054503 深度纹理编码网络 ( 阅读全文
摘要：
较好的解释 https://www.cnblogs.com/alanma/p/6877166.html 阅读全文
摘要：
感受野定义了feature map上的一个点来自于原图的范围。 规则1: stride的计算，某一层的stride等于之前所有层的stride的连乘积。 规则2: 某一层感受野的计算，某一层的感受野指的是这一层的输出feature map上的一个点来自于原图的范围。某一层的感受野等于（前一层的感受野 阅读全文
摘要：
http://www.aiuai.cn/aifarm62.html 整理的特别好 阅读全文
摘要：
只需找到第k大的数，不必把所有的数排好序。我们借助快排中partition过程，一般情况下，在把所有数都排好序前，就可以找到第k大的数。我们依据的逻辑是，经过一次partition后，数组被pivot分成左右两部分：S左、S右。当S左的元素个数|S左|等于k-1时，pivot即是所找的数；当|S左| 阅读全文
摘要：
装饰器能对任何可调用的对象进行包装，既能够用于方法也能够用于函数。 使用＠操作符，在方法或函数上将装饰器列出，从而指定一个或者更多的装饰器（多个装饰器在应用时的顺序与指定顺序相反） ＠staticmethod 静态方法 @classmethod 类方法 阅读全文
摘要：
将属于一类的对象放在一起。如果一个函数操纵一个全局变量，那么两者最好都在类内作为特性和方法出现。 不要让对象过于亲密。方法应该只关心自己实例的特性。让其他实例管理自己的状态。 要小心继承，尤其是多继承。继承机制有时很有用，但也会在某些情况下让事情变得过于复杂。 简单就好。让你的方法小巧。一般来说，多 阅读全文
摘要：
bash: /bin/cp: Argument list too long#mv user@user-MS-7A78:~/Disk1.8T/py-R-FCN_5_29/data/VOCdevkit0712/$ find ./VOC0712/ -name "*.xml" | xargs -i mv {} ./ #cp user@user-MS-7A78:~/Disk1.8T/py-R-FCN_5_... 阅读全文
摘要：
深度学习中训练参数的调节技巧 在这篇文章中： 2、权重 3、层数 4、过拟合 5、Loss设计与观察 二、caffe训练时Loss变为nan的原因 1、梯度爆炸 2、不当的损失函数 3、不当的输入 4、池化层中步长比核的尺寸大 三、一些训练时候出现的问题 1、为啥label需要从0开始？ 2、为什么 阅读全文