分子和分母中的bias完全不起作用，再加上BN本身有beta存在，完全不需要卷积的bias了。因为BN的公式求解过程中会将bias抵消吊，而且BN本身x*γ+β 这里β可以等价bias了。：x-mean 变成 (x+bias) - (mean + bias), 那就等于没加一样。这里面的Xi-X 和 分子 x-mean是同样的道理依然会导致bias相互抵消吊。那为什么跟了BN就不用加bias了呢？说归说，我们自己跑下代码验证一下。

batch normalization

nn.Conv2d, groups

docker上部署算法除了一些推理框架外，有时候会自己用torch推理加上一些web应用，下面写下自己用的一套方法。Docker+cuda10.1+miniconda3+torch1.7.1docker要求19.03以上才支持cuda1.安装docker，我这里使用的centos7$ sudo yum install -y yum-utils device-mapper-persistent-data lvm2$ sudo yum-config-manager --add-repo ht

TensorRT在执行模型时使用context.execute_async方法，这时候需要参数bindings。bindings：一个是输入，一个是输出，这个参数都是cuda中的数据，所以我们可以直接传torch Tensor的指针即可。self.inputs = torch.zeros_like(self.demo_in)self.out = torch.zeros_like(self.demo_out)context.execute_async(batch_size=self.bat..

区别：batched_nms（）：根据每个类别进行过滤，只对同一种类别进行计算IOU和阈值过滤。nms（）：不区分类别对所有bbox进行过滤。如果有不同类别的bbox重叠的话会导致被过滤掉并不会分开计算。Torchvision.ops.nms()：参数：boxes: Tensor, 预测框scores: Tensor, 预测置信度iou_threshold: float, IOU阈值Torchvision.ops.batched_nm...