liuyu的博客

You Only Look oncev1解读笔记1.来源：up主尤鱼哥链接：https://www.bilibili.com/video/BV1mp411o7jJ?from=search&seid=13505474129702132955YOLO的全拼是You Only Look Once，顾名思义就是只看一次，把目标区域预测和目标类别预测合二为一，作者将目标检测任务看作目标区域预测和类别预测的回归问题。该方法采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测。因此识别性能有了

可视化工具 —— TensorBoardTensorBoard：TensorFlow中强大的可视化工具；支持标量、图像、文本、音频、视频和Embedding等多种数据可视化；在学习TensorBoard之前，先对其运行机制有大概的了解：在python脚本中记录可视化的数据；记录的数据会以event file（事件文件）存放到硬盘中；在终端使用TensorBoard读取event file，TensorBoard在网页端进行可视化...

学习率的作用是控制更新的步伐；Pytorch提供了一个调整学习率的方法——class_LRScheduler主要参数：optimizer：关联的优化器；last_epoch：记录epoch数；base_lrs：记录初始学习率class_LRScheduler(object): def __init__(self,optimizer,last_epoch=1): def get_lr(self): raise NotlmplementedError主要方法：step()：更新下一个

1、什么是优化器Pytorch优化器：管理并更新模型中可学习参数的值，使得模型输出更接近真实标签；管理是指优化器管理和修改参数，更新是指优化器的优化策略。优化策略通常采用梯度下降，梯度是一个向量，梯度的方向是使得方向导数最大。2、optimizer的属性优化器基本属性：defaults：优化器超参数；state：参数的缓存，如momentum参数；param_groups：管理的参数组；_step_count：记录更新次数，学习率调整中使用；class Optimizer(Object)

常用损失函数5、nn.L1Loss6、nn.MSELoss7、nn.SmoothL1Loss8、nn.PoissonNLLLoss9、nn.KLDivLoss10、nn.MarginRankingLoss11、nn.MultiLabelMarginLoss12、nn.softMarginLoss13、nn.MultiLabelSoftMarginLoss14、nn.MultiMarginLoss15、nn.TripleMarginLoss16、nn.HingeEm

1.损失函数概念现在了解一下Pytorch中的Loss：class _loss(Module): def __init__(self, size_average=None, reduce=None, reduction='mean'): super(_loss,self).__init__() if size_average is not None or reduce is not None: self.reduction = _Reduc

1、梯度消失与爆炸上面公式中， H 1​是上一层神经元的输出值， W 2​的梯度依赖于上一层的输出，如果 H 1 的输出值趋向于零， W 2 ​的梯度也趋向于零，从而导致梯度消失。如果 H 1 ​趋向于无穷大，那么 W 2 也趋向于无穷大，从而导致梯度爆炸。从上面我们可以知道，要避免梯度消失或者梯度爆炸，就要严格控制网络输出层的输出值的范围，也就是每一层网络的输出值不能太大也不能太小。从公式推导可以发现，第一个隐藏层的输出值的方差变为n，而输入数据的方差为1，经过一个网络层的前向传播，数据的方差就扩大

1、池化层——Pooling Layernn.MaxPool2dnn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)kernel_size：池化核尺寸；stride：步长；padding：填充个数；dilation：池化核间隔大小；ceil_mode：池化过程中有一个

1.容器.Containersnn.Sequential是nn.module的容器，用于按顺序包装一组网络层。codeimport torch.nn as nnclass LeNetSequential(nn.Module): def __init__(self, classes): super(LeNetSequential, self).__init__() self.features = nn.Sequential( nn.

Pytorch为什么总要设置随机种子在pytorch中总能看到以 第一行有个设置随机种子的函数？它到底有啥作用？def set_seed(seed=1): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed(seed)参考博客：https://blog.csdn.net/qq_24224067/article/details/1064510641

网络模型步骤：

1.训练加速（1）基于数据的并行1.Model Average（模型平均）2.SSGD（同步随机梯度下降）3.ASGD （异步随机梯度下降）（2）基于模型的并行

常用CNN1.LeNet

1.卷积网络

1.前后向传播2.正则化3.数据集增强

1.深度前馈网络➢理论上说单隐层神经网络可以逼近任何连续函数(只要隐层的神经元个数足够多)。➢虽然从数学.上看表达能力一致，但是多隐藏层的神经网络比单隐藏层的神经网络工程效果好很多。➢对于一些分类数据(比如CTR预估里),3层神经网络效果优于2层神经网络，但是如果把层数再不断增加(4,5,6层),对最后结果的帮助就没有那么大的跳变了。➢图像数据比较特殊，是一种深层(多层次)的结构化数据，深层次的卷积神经网络，能够更充分和准确地把这些层级信息表达出来。2.激活函数 3.批量梯度下降4.随

1.DataLoader and Dataset数据模块又可以细分为 4 个部分：数据收集：样本和标签。数据划分：训练集、验证集和测试集数据读取：对应于PyTorch 的 DataLoader。其中 DataLoader 包括 Sampler 和 DataSet。Sampler 的功能是生成索引， DataSet 是根据生成的索引读取样本以及标签。数据预处理：对应于 PyTorch 的 transforms功能：Dataset 是抽象类，所有自定义的 Dataset 都需要继承该类，

1.逻辑回归 机器学习模型训练步骤：

计算机中丢失OpenNI2.dll在使用PCL点云库时，直接用pcl_mesh_sampling.exe或是pcl_mesh_samplingd.exe文件生成点云.pcd文件时会报错“：无法启动此程序，因为计算机中丢失OpenNI2.dll。尝试重新安装该程序以解决此问题。”的错误。生成.pcd文件的具体做法详见我的上一篇博文：https://blog.csdn.net/m0_45866718/article/details/110263833解决方法（1）第一种方法：将安装路径下OpenN

点云库PCL-3D模型.obj文件生成pcd,pcl点云文件1.VS2019配置PCL1.10.0VS2019配置PCL1.10.0在此不做详细论述，可以参考大神“诺有缸的高飞鸟”的教程，非常完整和详细：https://blog.csdn.net/qq_41102371/article/details/1073129482.三维模型文件生成obj文件（1）使用solidworks中ScanTo3D插件另存为。（2）利用3Dmax保存为obj格式。注意：一定要把同时出现的.mtl文件保存在同一目

经纬度网格和斐波那契网格转载自https://zhuanlan.zhihu.com/p/25988652?group_id=8289636771924910081.问题怎样在球面上「均匀」地排列许多点呢？这是一个很有实际意义的问题。比如我要测量地球上陆地的总面积。如果能在地球表面均匀地取 n 个点，那么我只要简单地数一下其中落在陆地上的点的个数 m，就可以知道陆地面积约占地球总表面积的 m/n 了。注意，按照一定的经纬度间隔，取经纬线的交点是不行的，因为这样取出的点不均匀：两极附近的点比赤道处更密集