qq_35608277的博客

torch rfft

【代码】Python-import导入上级目录文件同级文件夹。

https://github.com/jbeomlee93/AdvCAMhttps://github.com/zhaozhengChen/ReCAMhttps://github.com/shaofeifei11/CI-CAMhttps://github.com/CVI-SZU/CCAMhttps://github.com/weixuansun/infercamhttps://github.com/shjo-april/PuzzleCAM

maltab 字体

x

这篇论文的作者“关于深度学习的大批量训练：泛化差距和锐利最小值”，声称这是因为大批量方法往往会导致模型卡在局部最小值中。超参数定义了更新内部模型参数之前要处理的样本数，这是确保模型达到最佳性能的关键步骤之一。（3）Batch Normalization 使用同批次的统计平均和偏差对数据进行正规化，加速训练。学习率和批量大小密切相关——小批量在较小的学习率下表现最好，而大批量在较大的学习率下表现最好。（1）对一个批次的多个训练数据同时进行 f(x W +b) 操作，更容易GPU并行化处理。

其中，横轴表示值，纵轴表示数量，每个切片显示一个直方图，切片按步骤（步数或时间）排列；旧的切片较暗，新的切片颜色较浅．如图，可以看到在第393步时，以4.91为中心的bin中有161个元素．。另外，直方图切片并不总是按步数或时间均匀分布，而是通过水塘抽样/reservoir sampling来抽取所有直方图的一个子集，以节省内存．。

计算所有真实框长宽与9组候选框长宽的比值（比值应小于1），在9组长宽比值中选择长宽中的最小值x(表示找到9个候选框长或宽哪一个与真实框最不贴合)。而后在9组最小值中选择最大值best（在9组不够贴合的候选框中选择最贴合的那个）。共得到真实框数量个最大值best。计算最优候选框best阈值大于25%所占比例作为bpr，计算9组候选框阈值大于25%所占比例作为aat。

https://zhuanlan.zhihu.com/p/102956248https://zhuanlan.zhihu.com/p/110799558

如下图是一个全卷积网络，输入图像分辨率的改变会导致输出的分辨率有所改变，比如下图右边的部分最后的特征图出来是3×3的。结合之前的感受野的介绍和计算，来看下图中间的图示，最左边表示的是3×3的特征图上每个位置在原图的感受野中心，这里由红点表示。其实对于检测网络网络的训练可以视为一种高效的分类网络训练，因为一个检测的样本一次可以产生非常多分类的样本，每个分类样本就是感受野对应的图像区域，框的回归其实被当做一件附带的事情给干了，因为无论是one-stage还是two-stage的方法，框的预测都是和类别无关的！

当X数据量较大时无所谓，当X数据量较小时则要尤为注意。需要增加ddof=1。

管理员权限打开hosts文件：C:\Windows\System32\drivers\etc\hosts。如220.181.174.98 translate.googleapis.com，修改后并保存。复制好的IP地址 translate.googleapis.com，在命令行输入ping google.cn，并复制IP地址。在hosts文件最末尾加入。cmd，打开命令提示符。

官方示例：Yolov5s部署。

【代码】RuntimeError: a view of a leaf Variable that requires grad is being used in an in-place operation。

onnx pt

winscp连接被拒绝的解决方法。而后打开ssh，如下。

使用cmd命令行，不能用powershell。PowerShell输入命令，报错。

【代码】本地网络出现了一个意外的情况，不能完成所有你在设置中所要求的更改。

【代码】python 判断值a是否在列表中，给出元素在list列表中的位置。

【代码】【目标检测】|yolox 训练自己的数据集。