catscanner的博客

笔者使用的是一台M2版本的Macbook Air，虽然苹果作为深度学习的训练机不太合适，但是由于macbook作为打字机实在是无可挑剔，所以使用macbook调试一下pytorch的代码再放到集群上训练或者直接在mac上调试运行代码都是不错的体验，本文以在mac上直接调试yolov5为目标，大概记录一下步骤。这一步就是大家八仙过海各显神通的时候了，总之开启代理后，除了浏览器可以走代理访问之外，还需要配置zsh和git走代理，否则homebrew的安装会比较痛苦。就可以开始使用专属的conda虚拟环境了。

目录P-R曲线APmAPP-R曲线上篇文章我们详细说了一下Detection中的Recall和Precision的计算，P-R曲线就是Precision和Recall画出的曲线。APmAP

目录一，目标检测中的Precision & Recall一，目标检测中的Precision & RecallPrecision,准确率/查准率 Recall,召回率/查全率Precision=TPTP+FPPrecision= \frac{TP}{TP+FP}Precision=TP+FPTP​准确率比较好理解，就是检测出的所有正样本中多少是真正的正样本Recall=TPTP+FNRecall= \frac{TP}{TP+FN}Recall=TP+FNTP​Reca

DNN反向传播推理CNN反向传播推理对于对于任意（Borel measurable function）波莱尔可测函数（包括⼀切阶梯函数、⼀切连续函数和分段连续函数）和任意给定精度，都可以使⽤多层感知机（MLP）来近似。【1989】Multilayer feedforward networks are universal approximators，该⽂章中证明了任意宽的单隐层MLP的万能近似性质。【2017】Universal Function Approximation by Deep Neur

乳腺癌Kaggle比赛的这个项目进行了一些实验，项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview使用GTX 1080TI大概训练了100个小时的模型,训练集大概22万张图片，有些相同设定跑过多遍，记录一下测试结果：...

我的学习习惯是从抽象到具体，从系统到节点，目前的打算是写20篇左右的博客，把图像分类到物体识别讲清楚，所以先把使用DNN/CNN进行图像分类的总体知识体系进行梳理，画在树上。先搞一个精简版的知识树，帮助自己从最基础的内容开始渐进式巩固和推进内化。制作本图的过程中参考了部分书籍和资料，如下：《深度学习之图像识别 核心技术与案例实战》–言有三《图像处理中的数学修炼》–左飞《机器学习 使用OpenCV和Python进行智能图像处理》 --Michael Beyelerhttps://neuralne

Kaggle项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview本文记录了一个使用Tensorflow2.0/Keras Eager Execution的实现，数据预处理采用了Tensorflow标准的Dataset的方式：# -*- coding: utf-8 -*-import tensorflow as tfAUTOTUNE = tf.data.experimental.AUTOTUNE # tf.

项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview本文记录了自己使用纯Keras以及Keras标准的Generator的数据准备方式:其他实现方式见:Kaggle Histopathology Cancel Detection之Pyorch实现Kaggle Histopathologic Cancer Detection之Keras实现Kaggle Histopathologic Cancer Detect

项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview本文记录了自己使用Pytorch以及Pytorch标准的Dataset的准备方式对同一问题进行了实现：其他实现版本:Kaggle Histopathology Cancel Detection之Pyorch实现Kaggle Histopathologic Cancer Detection之Keras/Generator实现Kaggle Histopathol