近期Transformer在CV领域掀起了一股热潮，从图像分类的ViT，到目标检测的DETR，再到图像分割的SETR以及3D人体姿态的METRO，预计在未来所有CNN能干的事情，都会涌现出一大批论文。虽然灌水总是存在的，但客观上的确也一定程度上推进了AI领域技术和方法的融合与发展。...

但是如果没有设置默认参数，则必须命令行传参，并且需要注意顺序保持一致

1、Python调用C动态链接库使用C语言编译产生共享库，然后python使用ctype库里的cdll来打开共享库。(1)C语言文件：pycall.c/***gcc -o libpycall.so -shared -fPIC pycall.c*/#include <stdio.h>#include <stdlib.h>int foo(int a, int b){printf

1，前言最近在看机器学习神经网络方面的知识，也看了很多关于反向传播算法原理的介绍，有一篇文章写的很好，在这里记录下，并且加入自己的理解。反向传播法其实是神经网络的基础了，但是很多人在学的时候总是会遇到一些问题，或者看到大篇的公式觉得好像很难就退缩了，其实不难，就是一个链式求导法则反复用。如果不想看公式，可以直接把数值带进去（这种学习方法很重要），实际的计算一下，体会一下这个过程之后再来推导公式，这

什么是FasterRCNN目标检测算法Faster-RCNN是一个非常有效的目标检测算法，虽然是一个比较早的论文， 但它至今仍是许多目标检测算法的基础。Faster-RCNN作为一种two-stage的算法，与one-stage的算法相比，two-stage的算法更加复杂且速度较慢，但是检测精度会更高。事实上也确实是这样，Faster-RCNN的检测效果非常不错，但是检测速度与训练速度有待提高。源

其实就是设置自己的环境变量，需要什么版本就设置什么样的环境变量；

1，前言最近在看机器学习神经网络方面的知识，也看了很多关于反向传播算法原理的介绍，有一篇文章写的很好，在这里记录下，并且加入自己的理解。反向传播法其实是神经网络的基础了，但是很多人在学的时候总是会遇到一些问题，或者看到大篇的公式觉得好像很难就退缩了，其实不难，就是一个链式求导法则反复用。如果不想看公式，可以直接把数值带进去（这种学习方法很重要），实际的计算一下，体会一下这个过程之后再来推导公式，这

主要是以下类的属性调用。

不需要得到建议框阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果。在目标检测算法中，目标边框从无到有以及边框变化的过程在一定程度上体现了检测是。：R-CNN、SPP-Net、Fast R-CNN 和 Faster R-CNN。：专注于找出目标物体出现的位置，得到建议框，保证足够的准确率和召回率。：速度一般比Two-stage算法更快，但精度有所损失。：SSD、YOL

1. 简介在深度学习中，输入值和矩阵的运算是线性的，而多个线性函数的组合仍然是线性函数，对于多个隐藏层的神经网络，如果每一层都是线性函数，那么这些层在做的就只是进行线性计算，最终效果和一个隐藏层相当！那这样的模型的表达能力就非常有限 。实际上大多数情况下输入数据和输出数据的关系都是非线性的。所以我们通常会用非线性函数对每一层进行激活，大大增加模型可以表达的内容（模型的表达效率和层数有关）。这时就需