在之前我们采取了两个主要的措施分别取隐藏和减少latency：1 . 我们一方面通过大量线程并行的方法去不断读取内存（当一个 thread 读取内存，开始等待结果的时候，GPU 就可以立刻切换到下一个 thread，并读取下一个内存位置）来尽可能的隐藏latency。2 . 另一方面我们采取了连续的内存存取模式，尽量减少latency，关于所谓的连续存储我们再详细说明一下：其实更精确的

一、神经网络梯度消失与梯度爆炸(1)简介梯度消失与梯度爆炸层数比较多的神经网络模型在训练的时候会出现梯度消失(gradient vanishing problem)和梯度爆炸(gradient exploding problem)问题。梯度消失问题和梯度爆炸问题一般会随着网络层数的增加变得越来越明显。例如，对于图1所示的含有3个隐藏层的神经网络，梯度消失问题发生时，靠近输出层的hidden lay

https://github.com/kemaloksuz/ObjectDetectionImbalance

前言之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到一些写的不错的通俗易懂的资料，加之之前在京东上掏了一本书看了看，就这样耳濡目染中，还是开始研究了。今年五一，从保定回京，怕高速路上

文章目录focal loss 提出的场景和针对的问题focal loss 提出的场景：目标检测focal loss 针对的问题：类别不平衡如何处理目标检测下的类别不平衡如何理解目标检测场景下的样本和类别two-stageone-stagefocal loss的算法focal loss的思想focal loss的局限假设的局限适用场景的局限

评价指标：　　准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC1、准确率 （Accuracy）　　分对的样本数除以所有的样本数 ，即：准确（分类）率 = 正确预测的正反例数 / 总数。　　准确率一般用来评估模型的全局

参考文章：https://zhuanlan.zhihu.com/p/77151308PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。PCA 的数学推导可以从最大可分型和最大重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小。由于基于最大重构性的 PCA 其与 LDA

前言之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到一些写的不错的通俗易懂的资料，加之之前在京东上掏了一本书看了看，就这样耳濡目染中，还是开始研究了。今年五一，从保定回京，怕高速路上

https://zhuanlan.zhihu.com/p/74597564

一、数据增强方式图像扰动，改变亮度、对比对、饱和度、色调加噪声随机缩放随机裁剪（random crop）翻转旋转随机擦除（random erase）CutoutMixUpCutMixMosaic随机擦除（random erase）Cutout...