weixin_50670833的博客

原创 EfficientNet 和EfficientDet

EfficientNet 和EfficientDet1.EfficientNet添加链接描述2.EfficientDet添加链接描述

原创 train_loss和val_loss结果分析

train_loss和val_loss结果分析

原创 精确率和召回率

精确率和召回率

原创 ubuntu18.04 查看cuda和cudnn版本

ubuntu18.04 查看cuda和cudnn版本1.查看cuda版本cat /usr/local/cuda/version.txt结果：CUDA Version 10.1.2432.查看cudnn版本whereis cudnn输出结果：cudnn: /usr/include/cudnn.h根据输出结果，然后再输入：cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2结果： 7.6.5#define CUDNN_MAJOR 7#def

原创 re.sub()

链接re.sub()参数详解re.sub()中的 r’\1\2\3\数字’含义

转载 unicodedata.normalize（）

链接python Unicode转ascii码的方法字符编码笔记：ASCII，Unicode 和 UTF-8

原创 一句话判断GPU是否可用 ，否则使用cpu

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

原创 torchvision 包的介绍

torchvision 是PyTorch中专门用来处理图像的库。这个包中有四个大类。torchvision1.torchvision.datasets2.torchvision.models3.torchvision.transforms裁剪（Crop）翻转和旋转（Flip and Rotation）图像变换（resize）transforms.Resize对transforms操作，使数据增强更灵活4.torchvision.utilsmake_gridtorchvision.utils.save_im

原创 pycharm常见报错原因

原创 Pytorch 搭建的Unet语义分割平台

Pytorch 搭建自己的Unet语义分割平台文章目录Pytorch 搭建自己的Unet语义分割平台unet模型1.主干特征提取2.加强特征提取3.特征预测4.各层卷积输出5.总结unet模型1.主干特征提取Unet是一个优秀的语义分割模型，其主要执行过程与其它语义分割模型类似。Unet可以分为三个部分，如下图所示：第一部分是主干特征提取部分，我们可以利用主干部分获得一个又一个的特征层，Unet的主干特征提取部分与VGG相似，为卷积和最大池化的堆叠。利用主干特征提取部分我们可以获得五个初步有效特

原创 《pytorch基础总结》

《pytorch基础总结》1.激活函数的作用激活函数是用来加入非线性因素的，提高神经网络对模型的表达能力解决信息模型不能解决的问题。也就是用来划分非线性模型2.BN（批量标准化）解决的问题：BN模型的第一层网络一般都会有一个比较好的输入特征，但是随着模型层数的加深网络的非线性关系时每一层的结果变得相关，并且不满足标准正态分布。作用：使模型收敛速度更快，模型隐藏输出特征的分布更稳定有利于模型的学习。不仅可以加速模型的收敛速度，而且在一定程度下环境深度网络中的梯度弥散问题从而使训练深层网络容易和

原创 conda常见基础操作

conda操作：