EfficientDet特点：采用了带权重的双向FPN网络BiFPN进行特征融合，并通过模型学习得到不同特征的权重参数，不同的特征融合方式P3-P7，就得到了不同大小的EfficientDet模型提出了对于resolution、depth、width进行联合扩展进行模型尺度缩放，提升模型性能上图中，FPN是特征将金字塔网络，PANet是基于FPN的改进，NAS-FPN是使用网络搜索的方式自动确定特

在知乎上有这样一个问题：acc很高，但预测正确的样本占比又很低，怎么回事？ - 知乎关于这个问题，在这个问题的回答中，有许多大佬从数据的分布、模型的结构、数据集的划分，以及验证指标等层面进行了解答。在这里按照我的理解，简单描述一下这个问题：模型训练正常，模型测试效果很差，甚至在训练集上的测试效果都很差。简单分析一下大概有以下几个方面的原因可以排查：1、检查模型训练和模型测试的数据处理pipelin

下面是YoloV4论文中给出的目标检测算法的整体架构：主要包含以下几个部分：输入层用来处理输入数据，如数据增强Backbone主干网络用来提取特征Neck层用来做多尺度特征融合，提升特征的表达能力，如SPP、FPN、BiFPN、PAN等预测输出层用来预测输出结果，输出层又分为密集预测（如RPN，SSD，Yolo）和稀疏预测（如R-CNN系列）Yolov1:参考：<机器爱学习>YOLO

对于Auto-Encoding类型的任务，在模型的训练和预测阶段，self-attention都可以并行计算。在hugging face实现的self-attention模块中，为了复用decode生成阶段的key和value，会传入一个past_key_values参数，如果past_key_values不是None，表示前面时间步已经有计算结果了，直接复用上一步的结果，然后将当前时间步的key

与Normalizing Flows、GAN或VAEs等生成模型一样，它们都将噪声从一些简单分布转换为数据样本。这也是使用神经网络学习从纯噪声开始逐渐去噪进行内容生成的过程。

开源代码：https://github.com/facebookresearch/SlowFast核心思想：论文的核心思想是在考虑计算量和准确率的折中前提下，只沿着时间维度进行扩展并不一定比沿着其他维度扩展模型效果更好，尤其在低计算量的限制下，沿着其他维度进行扩展可能准确率提升更快。X3D方法尝试从不从的维度对2D卷积进行扩展，使其适用于3D时空数据处理，扩展的维度包括时间维度大小、采样帧率、输入

待完成

tensorboard常用函数列表如下：torch.utils.tensorboard.writer.SummaryWritertensorboard的入口，创建event filesadd_scalar(tag,scalar_value,global_step=None,walltime=None)添加标量到event fileadd_scalars(main_tag,tag_scalar_di

为什么要使用TorchScript对模型进行转换？a)、TorchScript代码可以在它自己的解释器中调用，它本质上是一个受限的Python解释器。这个解释器不获取全局解释器锁，因此可以在同一个实例上同时处理多个请求。b)、这种格式允许我们将整个模型保存到磁盘上，并将其加载到另一个环境中，比如用Python以外的语言编写的服务器中c)、TorchScript提供了一种表示方式，我们可以在其中对代

在进行python代码开发，尤其是进行代码部署时，明明在IDE（如Pycharm）中运行正常的代码，到了生产环境使用python xxx.py方式运行时，就报各种各样的ImportError: No module named XXX，找不到各种自定义的代码文件，产生这个问题的原因是python的搜索路径导致的，具体原因请自行搜索。下面说一种解决方法：示例代码结构如下：utils.tools目录下有