2012年AlexNet在ImageNet大赛上一举夺魁，开启了深度学习的时代，虽然后来大量比AlexNet更快速更准确的卷积神经网络结构相继出现，但是AlexNet作为开创者依旧有着很多值得学习参考的地方，它为后续的CNN甚至是R-CNN等其他网络都定下了基调，所以下面我们将从AlexNet入手，理解卷积神经网络的一般结构。先给出AlexNet的一些参数和结构图：卷积层：5层全连接层...

当python环境不止一个时，vscode可以选择指定的python解释器，具体为：vscode设置中打开Command Palette键入 Python:Select Interpreter

对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。

数据的准备工作是训练模型前的必要工作，显然这也是非常耗时的，所以在入门阶段我们完全可以用现有的开源图片库快速完成前期的准备工作：ImageNet  ImageNet是根据WordNet层次结构（目前只有名词）组织的图像数据库，其中层次结构的每个节点都由数百和数千个图像描绘。 目前，数据库中每个节点平均拥有超过五百幅图像。 我们希望ImageNet将成为研究人员，教育工作者，学生以及分享我们对图片热

数据的准备工作是训练模型前的必要工作，显然这也是非常耗时的，所以在入门阶段我们完全可以用现有的开源图片库快速完成前期的准备工作：ImageNet  ImageNet是根据WordNet层次结构（目前只有名词）组织的图像数据库，其中层次结构的每个节点都由数百和数千个图像描绘。 目前，数据库中每个节点平均拥有超过五百幅图像。 我们希望ImageNet将成为研究人员，教育工作者，学生以及分享我们对图片热

对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。

2012年AlexNet在ImageNet大赛上一举夺魁，开启了深度学习的时代，虽然后来大量比AlexNet更快速更准确的卷积神经网络结构相继出现，但是AlexNet作为开创者依旧有着很多值得学习参考的地方，它为后续的CNN甚至是R-CNN等其他网络都定下了基调，所以下面我们将从AlexNet入手，理解卷积神经网络的一般结构。先给出AlexNet的一些参数和结构图：卷积层：5层全连接层...

如果我们借鉴别人写好的代码，放进vs2010编译器时常常出现这样的报错，无法打开源文件 “stdafx.h”：这是因为在低版本的编译器中，需要添加这部分，比如vc6.0到vs2008，而在vs2010以上版本的编译器中如果出现了这种报错，就查看一下属性->c/c++->预编译头->预编译头文件，其中是否包含了”stdafx.h”文件，如果有注释掉上述代码就好，不会对程序造成影响。

coco2017是当前最主流的多人姿态估计benchmark，官网的Evaluate已对coco的评价标准做了详细的解释，本文只对其二次整理。

transformer最早于2017年google机器翻译团队提出，也就是著名的《Attention Is All You Need》，transformer完全取代了以往的RNN和CNN结构，改为由transformer堆叠的方式构建模型。transformer在NLP领域首先取得了非常惊人的效果，随后DETR首次将transformer引入到了CV的目标检测任务重，随后VIT完全抛弃了CNN，