目录anchor 、 Dimension Clusters 、Direct location prediction在YOLOv2中规定了五种anchor，grid cell数量为奇数限制预测框位置损失函数细粒度特征Multi-Scale Traininganchor 、 Dimension Clusters 、Direct location prediction在YOLOv1中先验框是随机的，在Y

参考文章:为什么用交叉熵做损失函数详解机器学习中的熵、条件熵、相对熵和交叉熵这边做摘抄目录1.信息熵2.相对熵(KL散度)3.交叉熵使用交叉熵的原因1.信息熵信息熵是消除不确定性所需信息量的度量。（多看几遍这句话）信息熵就是信息的不确定程度，信息熵越小，信息越确定。(因为事件都有个概率分布，这里我们只考虑离散分布)举个列子，比如说：今年中国取消高考了，那我们就要去查证了，这样就需要很多信息量(去查

处理连续型特征:二值化与分段根据阈值将数据二值化(将特征值设置为0或1)， 用于处理连续型变量。大于阈值的值映射为1，而小于或等于阈 值的值映射为0。默认阈值为0时，特征中所有的正值都映射到1二值化是对文本计数数据的常见操作，可以决定仅考虑某种现象的存在与否它还可以用作考虑布尔随机变量的估计器的预处理步骤（例如，使用贝叶斯 设置中的伯努利分布建模）from sklearn.preprocessin

Embedded嵌入法嵌入法是一种让算法自己决定使用哪些特征的方法，即特征选择和算法训练同时进行先使 用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据权值系数从大到小选择特征这些权值系数往往代表了特征对于模型的某种贡献或某种重要性这些权值系 数往往代表了特征对于模型的某种贡献或某种重要性缺点过滤法中使用的统计量可以使用统计知识和常识来查找范围（如p值应当低于显著性水平0.05），而

YOLO V1目标检测 object detectionYOLOV１预测阶段 前向推断用图展示过程预测阶段 后处理NMS　Non-Maximum Suppression　非极大值抑制训练阶段 反向传播目标检测 object detection能够解决图像分类classification、图像定位localization、目标检测object detection、图像分割segmentation图像

Wrapper包装法包装法在初始特征集上训练评估器，并且通过 coef_属性或通过feature_importances_属性获得每个特征的重要性。然后，从当前的一组特征中修剪最不重要的 特征。在修剪的集合上递归地重复该过程，直到最终到达所需数量的要选择的特征。区别于过滤法和嵌入法的一次 训练解决所有问题，包装法要使用特征子集进行多次训练，因此它所需要的计算成本是最高的。的“算法”，指的是专业的

图相关的基本知识代码# -*- encoding: utf-8 -*-# @time:2022/2/10 12:51# @author: chenTao# @file:Graph_basic.pyimport numpy as npimport pandas as pdimport networkx as nxedges = pd.DataFrame()edges['sources'] = [1,

IntroductionA categorical variable takes only a limited number of values.分类变量仅接受有限数量的值。Consider a survey that asks how often you eat breakfast and provides four options: “Never”, “Rarely”, “Most ...

快速搭建导入包torch.nn包含了大量和网络相关的方法import torchimport torch.nn as nn使用GPU计算device = torch.device('cuda' if torch.cuda.is_available else 'cpu')device = torch.device('cuda:0')用第一块显卡计算，就一块显卡的话，传入'cuda'设立输入和输出to

Embedded嵌入法嵌入法是一种让算法自己决定使用哪些特征的方法，即特征选择和算法训练同时进行先使 用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据权值系数从大到小选择特征这些权值系数往往代表了特征对于模型的某种贡献或某种重要性这些权值系 数往往代表了特征对于模型的某种贡献或某种重要性缺点过滤法中使用的统计量可以使用统计知识和常识来查找范围（如p值应当低于显著性水平0.05），而