Miracle Fan的博客

常见的物体检测算法常用卷积层、池化层、全连接层、激活函数层、Dropout层。

对于iou，显而易见它的取值范围为[0,1]，iou值越大，表示两个框重合的越好，也就是预测的越好。所以我们平时实际使用过程中，通常取某个阈值，当iou大于阈值，就认为其是一个有效的预测，反之，就属于一个无效预测。: 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；: 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；: 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。预测样本中预测正确数占所有样本的比例。

卷积层Convolutional给定卷积核，将卷积核应用于输入图片特征的对应维度的地方，计算乘积，下图以步长stride=1为例，得到最终输出层特征。假设输入大小为(H,W)，滤波器大小为(FH,FW),输出大小为(OH,OW),填充padding为P,步幅stride为SOH=H+2P−FHS+1OW=W+2P−FWS+1OH=\frac{H+2P-FH}{S}+1\\OW=\frac{W+2P-FW}{S}+1OH=SH+2P−FH​+1OW=SW+2P−FW​+1对于多通道卷积计算，

Pytorch实现Logistic回归1.导入相关apiimport torchimport torch.nn as nnimport numpy as npfrom sklearn import datasetsfrom sklearn.preprocessing import StandardScalerfrom sklearn.model_selection import train_test_split2.准备数据bc = datasets.load_breast_cancer(

Pytorch学习—从Tensor到LR1.生成简单Tensorx=torch.empty(1)y=torch.rand(2,3)x,y(tensor([0.]), tensor([[0.0721, 0.6318, 0.4175], [0.3821, 0.0745, 0.0769]]))x=torch.ones(2,4,dtype=torch.float16)print(x)print(x.dtype)print(x.size())tensor([[1., 1.