1.代码from matplotlib import pyplot as pltimport numpy as npw = np.linspace(-1.15,1.15,10000)Loss = (w**1 - 1)**2plt.plot(w, Loss, label = "2 layers NN")plt.xlabel("w")plt.ylabel("Loss")plt.legend(loc="

Faster RCNN详解Faster RCNN 是在Fast RCNN的基础上，进一步改进，解决select search 算法选择候选框速度太慢的问题。Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networkssubmit time: 2016arxiv linkfast R-CNN和faster

开头部分引入time模块，import time然后在每个epoch循环中开始处加入：since = time.time()结尾处加入以下代码：time_elapsed = time.time() - sinceprint('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))...

YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法。Yolo系列算法属于One-Stage算法,是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的。论文名称：You only look once unified real-time object

paper链接：Rich feature hierarchies for accurate object detection and semantic segmentationR-CNN：Regions + CNN创新点使用CNN（ConvNet）对 region proposals 计算 feature vectors。从经验驱动特征（SIFT、HOG）到数据驱动特征（CNN feature m

AlexNet是一个卷积神经网络，由亚历克斯·克里泽夫斯基（Alex Krizhevsky）设计，与伊尔亚‧苏茨克维（Ilya Sutskever）和克里泽夫斯基的博士导师杰弗里·辛顿共同发表，而辛顿最初抵制他的学生的想法。AlexNet参加了2012年9月30日举行的ImageNet大规模视觉识别挑战赛，达到最低的15.3%的Top-5错误率，比第二名低10.8个百分点。原论文的主要结论是，模型

在学习深度学习时，常常有人会问到这样一个问题：Dropout技术为什么能防止过拟合？当然，简单的回答是：防止参数过分依赖训练数据，增加参数对数据集的泛化能力。是什么？假设我们要训练这样一个神经网络输入是x输出是y，正常的流程是：我们首先把x通过网络前向传播然后后把误差反向传播以决定 如何更新参数让网络进行学习。使用dropout之后过程变成：1. 首先随机（临时）删掉网络中一半的隐藏神经元，输入输

1. GoogLeNet网络详解GoogLeNet在2014年由Google团队提出（与VGG网络同年，注意GoogLeNet中的L大写是为了致敬LeNet），斩获当年ImageNet竞赛中Classification Task (分类任务) 第一名。原论文地址：Going deeper with convolutionsGoogLeNet 的创新点：引入了Inception结构（融合不同尺度的特

正则化方法：防止过拟合，提高泛化能力避免过拟合的方法有很多：early stopping、数据集扩增（Data augmentation）、正则化（Regularization）包括L1、L2（L2 regularization也叫weight decay），dropout。权重衰减（weight decay）L2正则化的目的就是为了让权重衰减到更小的值，在一定程度上减少模型过拟合的问题，所以权重

在人工智能领域，机器学习的效果需要用各种指标来评价。当一个目标检测模型建立好了之后，即模型训练已经完成，我们就可以利用这个模型进行分类识别。那么该如何去评价这个模型的性能呢？今天我们从交并比，准确率，精度，召回率，FPR, F1-Score, PR曲线，ROC曲线，AP的值，AUC的值以及很重要的mAP指标，模型的检测速度和非极大值抑制的相关方面来学习下目标检测中的评价指标。1. 交并比 — Io