ResNeSt: Split-Attention Networks模型的拆分注意力网络，最近特别火，主要是作为深度学习的backbone模型，ResNeSt在不同的图像任务中都有效提高了模型的预测精度。因此今天分享下，最近两天学习的心得体会，参考资料如下：ResNeSt: Split-Attention Networksgithub官网B站作者讲解张航主页文章目录安装使用ResNeSt创新点spl

文章目录核密度估计(Kernel Density Estimation)定义例子带宽（*bandwidth*）参数选择参考seaborn.kdeplot核密度估计(Kernel Density Estimation)定义核密度估计是估计随机变量的概率密度函数的非参数方法，即一种针对连续数据的密度估计方法，并且其根据数据本身的相互关系得到，无需对数据分布做假设。假设样本彼此独立并遵循相同的分布。给定

之前一直混淆与各种乘法中，不得其解，所以花了点功夫整理一下。线性代数中的点乘（内积/数量积）和叉乘（向量积）https://www.zhihu.com/question/21080171矩阵乘法 方式组的概念 没有符号哈达马积（Hadamard product） 两个矩阵对应元素的乘积 * 卷积操作一般就是这个符号克罗内克积（Kronecker Product）克罗内克积也被称为直积或张量积x外面

目录迁移学习自编代码定义卷积单元Stem模块InceptionRes A模块InceptionRes B模块InceptionRes C模块Reduction AReduction BBuild Inception-ResNet补充：模型介绍请参看：博文出处:Google AI迁移学习首先还是看看标准答案importtensorflow as tffromtensorflow import ker

在学习《Deep Learning with Python》第五章深度学习用于计算机视觉5.4.3可视化类激活的热力图在Tensorflow2.0环境中运行一下代码时grads = K.gradients(african_elephant_output, last_conv_layer.output)[0]替换成grads = tf.keras.backend.gradients(af...

目录迁移学习自编代码参考模型介绍请参看：博文keras搭建深度学习模型的若干方法：博文迁移学习importtensorflow as tffromtensorflow import kerasbase_model = keras.applications.DenseNet121(weights='imagenet')base_model.summary()自编代码在这里插入代码片参考https:/

想要绘制出如下类型坐标轴断开的图，matplotlib中并没有直接可用的API，但是官方给出了一个demo: broken axis.py大概说下思路：画出两个共享X轴，完全相同的图，下图取消上边界，下图取消下边界，然后再使用plot画两组平行线就大功告成。参照官网例子画的堆积图代码def respond_mode_bar(self):labels = ['Braking','Right','Le

文章目录statis模块概述连续概率分布正态分布（norm）概率检验/假设检验（Statistical tests）K-S检验（Kolmogorov-Smirnov test ）scipy.stats.ksteststatis模块概述模块包括了大量的概率分布，可以根据分为数量分为单变量与单变量。单变量又可根据变量类型分为：连续概率分布和离散概率分布。具体包括了如下几大类统计方法：模块名Contin

对于numpy我们很容易通过np.max或者np.argmax找到最大的数，但是如何定位第n大的数呢？百度一下，python找第二大的数方法，居然是将找到最大值复制为最小值后，再找出最大值。显然这个方法也太不智能了。正解如下：import numpy as nparr=np.random.rand(10)# 第2大数值max2 = np.sort(arr)[-2]# 第2大索引max_index2

文章目录核密度估计(Kernel Density Estimation)定义例子带宽（*bandwidth*）参数选择参考seaborn.kdeplot核密度估计(Kernel Density Estimation)定义核密度估计是估计随机变量的概率密度函数的非参数方法，即一种针对连续数据的密度估计方法，并且其根据数据本身的相互关系得到，无需对数据分布做假设。假设样本彼此独立并遵循相同的分布。给定