学习网站及一些学习笔记

0、部分代码和论文都有的网站

：https://paperswithcode.com/

1、FLOPs torch实现

https://www.cnblogs.com/king-lps/p/10904552.html

2、pickle模块–解码cifar10数据集

是进行序列化和反序列化的模块

import pickle
file="cifar10"
def unpickle(file):
	with open(file,"rb") as fo:
		dict = pickle.load(fo,encoding="bytes")
	return dict
dict = unpickle(file)
print("dict 的数据类型为",type(dict))
print(dict.keys())

cifar10图片信息是一个一维向量的的存储形式，红绿蓝各自拼接

3、定义网络后网络结构可以直接输出网络结构

def squeezenet(class_num=0):
	model = Squeezenet(class_num=class_num)
	if use_cuda:
		model=model.cuda()
	return model
net = sequeezenet()
print(net)

x=torch.randn(5,3,32,32).cuda
y = net(x)
y.shape
# 会输出（【5，10】）五张图片，每张预测10各类别

4、判断机器是否支持cuda

use_cuda = torch.is_available() # 返回一个bool值
if use_cuda:
	print("support")
else:
	print("no")
dtype = torch.cuda.FloatTensor if use_cuda else torch.FloatTensor

5、模型训练的过程

打开训练模式
读取图片，第几个batch，图片和标签对应
传入cuda
梯度清零，不让梯度累积
网络预测
交叉熵损失
top1，top5：按行取每张图片网络输出的前5个最大值得数值和位置索引
真实值和预测值进行转化====得到下面的一组组对比
用eq进行预测，输出比较的结果

top5的结果：

6、多标签分类任务的评价指标-mAP

http://blog.sina.com.cn/s/blog_9db078090102whzw.html

提炼一下：
用训练好的模型得到测试的confidence score

7、resize和crop的

区别在于，前者带差值的变化，后者直接进行裁剪

8、random，

是指按照给定的概率进行随机

9、读取非内置的数据集，以文件夹分类的数据集

dataset = ImageFolder（""）# 其实是个是个内置函数 torchvision.datasets.ImageFolder()
print(len(dataset))# 一共有多少张
print(dataset.class_to_index)# 输出一个字典，值是文件夹的名字，键是类别

10、可以对处理好的图片进行可视化

t=get_timg_train()
for i,(img,label) in enumerate(t):
	if i <1:
		print(img.size(),label)
	break
# 返回torch.Size([4,3,64,64]) tensor([116,140,139,124])  一个batch4张，每张的类别

11、SSD:这里下面都比较乱，整理好了再来看（更新中）

https://github.com/kuhung/SSD_keras

https://github.com/bubbliiiing/efficientdet-pytorch

https://github.com/bubbliiiing/ssd-keras

https://github.com/georgesung/ssd_tensorflow_traffic_sign_detection

12、帧差法

读图读视频==输出
定义初始化第一针
获取下一阵
处理
绝对值相减
（腐蚀膨胀）
阈值=面积小的排除
灰度
轮廓
显示保存
退出

13、数字图像处理某一章

opencv摄像头调用
保存视频，修改视频格式
基于视频的运动目标检测==光流法、帧差法、背景减除法

14、模板匹配

平方差速度快，效果不稳定
相关性，计算量大效果好
相关性系数，计算量最大效果最好

15、SSD代码运行时

linspace:中心点的位置

划分成大小不同的网格（编码过程），预测结果会对先验框进行调整（解码过程）===来个随机的正态分布进行调整
标签annotion
图片image
voc.annotion image里的train.txt 转换为2007_train.txt
//训练图片的位置，某个物体框的位置，对应的种类
train来调用上面的2007，注释掉粗略训练的学习率
num_class变为自己的类数+1

ssd修改model。h5
class_path:自己类的TXT，再进行prected