目录1. 细粒度图像任务是什么2. 数据集1. 细粒度图像任务是什么【参考链接】：细粒度图像分类算法全解，附数据集总结！在传统图像分类中，无论重要判别区域占整个图像的比重有多大，都会对整张图片一视同仁的提取特征，但在一些判别区域占图像比重较小的图片中，进行同样的处理时，大量不重要的信息被提取，增加了图像分类的难度，降低分类的准确度。因此引入“细粒度图像分类”，关注图像中细小的差别，实现更精确的图像

【用于图像修复、数据增强等】结合官方代码教程，在Windows 10下运行pix2pix-tensorflow（tensorflow==1.4.0 python=3.6）

计算fps

目录0. 从书中截取的一些重要内容1. 一些知识点2. 实现线性回归2.1 numpy实现线性回归2.2 利用PyTorch实现线性回归3. 实现手写数字识别MNIST3.1 准备数据3.2可视化数据源3.3构建模型3.4训练模型4. 优化器比较5. 数据加载、预处理流程6. tensorboardX可视化工具7. GPU加速8. 卷积神经网络CNN9. 清除图像中的雾霾10. PyTorch提供

【代码】道路病害检测数据集RDD2022的标签映射关系【参考自官网给出的label_map.pbtxt文件，附查看代码】

数据读取-图像cv2.IMREAD_COLOR：彩色图像cv2.IMREAD_GRAYSCALE：灰度图像opencv对于读进来的图片的通道排列是BGR，而不是主流的RGB！谨记！#opencv读入的矩阵是BGR，如果想转为RGB，可以这么转img = cv2.imread('1.jpg')img = cv2.cvtColor(img4,cv2.COLOR_BGR2RGB)import cv2im

dpi

yolov5ds

1、《Python深度学习基于PyTorch》吴茂贵中提到的分享链接 http://www.feiguyunai.com/，QQ交流群（871065752）分享了Python、人工智能、数据库等学习资源。其中“参考资料库”部分的有几个链接我很喜欢，真的是满满的干货。labuladong在知乎上介绍各种算法（在github有近74k star）labuladong的Github地址：https://

【配置环境】AutoDL（Linux）中安装tensorflow-gpu=2.0.0过程（cuda=10.0，cudnn=7.6.5