登录社区云，与社区用户共同成长
邀请您加入社区
深度学习中，为了提高模型的精度和泛化能力，往往着眼于两个方面：（1）使用更多的数据（2）使用更深更复杂的网络。**一、什么是负样本**负样本是指不包含任务所要识别的目标的图像，也叫负图像（Negtive Image)。以识别限速牌为例，如下所示，左图包含限速牌，为正样本，右图不包含限速牌，为背景图，即负样本。正样本负样本2.为什么要训练负样本训练负样本的目的是为了降低误检测率、误识别率，提高网络模
原因：torch.mm()是两个矩阵相乘，即两个二维的张量相乘，维度超过二维，则会报错。修改：使用torch.matmul()
最近在用实验室的服务器复现立体匹配网路CasStereoNet时，出现了pytorch版本不匹配的错误，如下：尝试在代码中的model的forward前面加@staticmethod，然后再在使用model的时候，把output=model(input)变成output=model.forward(input)并没有什么用，也尝试了.apply（）的改法还是报错，最后索性换个环境。安装过程中也踩了
基于yolov5s(v6.0)的模型剪枝实战分享，参考github教程带链接带源码。
基于PyTorch的深度学习实战的补充篇，也是本系列的最后一篇。本文主要讲解RNN和LSTM基本原理、PyTorch中的LSTM、Embedding层相关知识
本篇为《深度学习实战专栏》-基于PyTorch的深度学习实战的下篇，主要内容为在PyTorch下搭建神经网络实现Mnist手写数字图像识别相关工作
