qq_41863595的博客

原创 tensorflow2获取预训练模型的特定层并基于其重构网络结构

该部分实现在tensorflow2下，基于训练好的网络的某些特定层勾心构建网络结构。从inputs到我们需要的特定层输出之间的参数固定，仅训练特定层输出和最终输出之间的网络参数。input1 = Input((28,28,1), dtype=tf.float64)input2 = Input((28,28,1), dtype=tf.float64)input_ = concatenate([input1, input2])# (28,28,2)net = Conv2D(16, 3, padding

原创 YOLO1-5

转载 mobilenetv1\v2\v3

https://www.cnblogs.com/ywheunji/p/12532631.html

原创 BN、LN、IN、GN

BN作用：在神经网络训练时遇到收敛速度很慢，或梯度爆炸等无法训练的状况时可以尝试BN来解决。在一般使用情况下也可以加入BN来加快训练速度，提高模型精度。参考：https://blog.csdn.net/hao1994121/article/details/85171610?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163083454016780271552001%2522%252C%2522scm%2522%253A%25222014.

原创 分组卷积和depthwise卷积

https://zhuanlan.zhihu.com/p/65377955

转载 目标检测loss计算

参考：https://blog.csdn.net/weixin_44791964/article/details/106533581?spm=1001.2014.3001.5501loss的计算过程在得到了y_pre和y_true后怎么对比呢？不是简单的减一下!loss值需要对三个特征层进行处理，这里以最小的特征层为例。1、利用y_true取出该特征层中真实存在目标的点的位置(m,19,19,3,1)及其对应的种类(m,19,19,3,80)。2、将yolo_outputs的预测值输出进行处理，得

转载 深度学习小目标检测

参考网址：https://zhuanlan.zhihu.com/p/83220498

转载 l1、l2正则化 影响过拟合（笔记）

L1、L2正则化L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择；防止过拟合L2正则化可以防止模型过拟合（overfitting）；正则化 影响过拟合网络大部分都有较小的权重，意味着网络的行为不会因为随意更改了一些输入而改变太多。这使得它不容易学习到数据中局部噪声。可以把它想象成一种能使孤立的数据不会过多影响网络输出的方法，相反地，一个正则化的网络会学习去响应一些经常出现在整个训练集中的实例。与之相对的是，如果输入有一些小的变化，一个拥有大权重的网络会大幅改变其行为来响应

原创 华为7.28提前批笔试

第一题第二题import collectionswhile True: try: m = int(input().strip()) n = int(input().strip()) z = int(input().strip()) list_ = [] depend = [0 for _ in range(m)] dict_ = collections.defaultdict(list)

原创 tfds:map使用

tfds使用对tfds.load()得到的数据进行数据增强（使用map函数) datasets = datasets.map(augment).map(scale_fn)方法一（需要将tf.data.Dataset类型转为numpy再转回（不推荐））train_ds = tfds.load("mnist", split=tfds.Split.TRAIN, batch_size=-1)返回值为train_data与test_data为tf.data.Dataset类型， 其中split参数