参考：https://blog.csdn.net/qq_38429958/article/details/123185284https://blog.csdn.net/PrideQ/article/details/115304494

借鉴网址：https://blog.csdn.net/qq_32408773/article/details/84112166

配置：在Ubuntu16.04 ， NVIDIA显卡驱动Linux 384.130 + CUDA8.0 + cudnn6.0 + TensofFlow 1.4.0简言：本文章要配置的是Ubuntu(Linux)下TensorFlow框架的深度学习环境，在配置之前一定要了解它们的版本一一对应关系。1. 先了解NVIDA显卡驱动和CUDA的版本对应关系，NVIDIA显卡驱动是driver角色，CUDA

1. 使用realsense2获取数据时出现 “ Couldn’t resolve requests ”的报错信息。使用了realsense2相关API获取相机的图片数据和深度点云信息数据，使用opencv实现的显示窗口。当设定获取的图片的大小是1280×720时，如果出现Couldn’t resolve requests的报错，需要用USB3.0的接口。或者也可以根据需要修改为640×480的大

说明：为了用BDD100K数据集训练YOLOV5模型，首先需要将BDD100K数据集格式转成YOLOV5支持的输入格式。转换代码如下：一、BDD100K转YOLO格式#!/usr/bin/env python3# -*- coding: utf-8 -*-import reimport osimport jsondef search_file(data_dir, pattern=r'\.jpg$'

1、深度学习偏置的作用？x1w1 + x2w2 +…+xnwn > T（T为一个阈值），而T越大，想激活这个感知器的难度越大，人工选择一个阈值并不是一个好的方法，因为样本那么多，我不可能手动选择一个阈值，使得模型整体表现最佳，那么我们可以使得T变成可学习的，这样一来，T会自动学习到一个数，使得模型的整体表现最佳。当把T移动到左边，它就成了偏置，x1w1 + x2w2 +…+xnwn- T&g

多个版本配置与调用：https://blog.csdn.net/BeeGreen/article/details/104397348

1. 使用realsense2获取数据时出现 “ Couldn’t resolve requests ”的报错信息。使用了realsense2相关API获取相机的图片数据和深度点云信息数据，使用opencv实现的显示窗口。当设定获取的图片的大小是1280×720时，如果出现Couldn’t resolve requests的报错，需要用USB3.0的接口。或者也可以根据需要修改为640×480的大

一个batch_size的数据如何做反向传播对于一个batch_size内部的数据，更新权重我们是这样做的：假如我们在训练的时候设置的batch_size的大小为4，也就是一个batch_size有4张样本图片数据然后开始进行训练，输入一个batch_size：首先batch_size中的第一张图片数据我们反向传播求导求梯度 ∂1，这个得到的梯度∂1可看做是得到一个参数量∂1，不过这个参数量先暂存

借鉴网址：https://blog.csdn.net/weixin_43804210/article/details/108003802注意： 在安装第一个cuda版本的时候，可以选择默认符号链接：symbolic link…：选择yes.在安装第二个或者后面cuda版本的时候，符号链接要选择no，因为符号链接是直接在/usr/local/中创建一个cuda版本的软连接：/usr/local/cu