一、前言经过慎重考虑，决定新开一个系列，该系列文章主要的目的就是利用PyTorch、Python实现深度学习中的一些经典模型，接下来一段时间的安排如下：UNetResNetVggNetAlexNet本文首先实现UNet，关于UNet的详细介绍请移步深度学习模型解析系列文章–白话详解UNet二、网络结构详解UNet总体上分为编码器和解码器，其中编码器负责提取特征信息，解码器负责还原特征信息；编码器主

导读为了保证文章的质量，但又需要顾及写文章的速度，因此，先更新下采样篇，因为上采样篇继续需要一段时间来打磨润色。下采样方式下采样代码实现参考文献《》计划1个字，绝! – CNN中十大令人拍案叫绝的操作都2021年了，不会还有人连深度学习还不了解吧？（一）-- 激活函数篇都2021年了，不会还有人连深度学习还不了解吧？（二）-- 卷积篇都2021年了，不会还有人连深度学习还不了解吧？（三）-- 损失

Batch Normanlization简称BN，也就是数据归一化，对深度学习模型性能的提升有很大的帮助。BN的原理可以查阅我之前的一篇博客。白话详细解读（七）----- Batch Normalization。但为了该篇博客的完整性，在这里简单介绍一下BN。一、BN的原理BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者

一、前言本来这周的计划是更新上采样篇的，但是上采样篇涉及到的数学知识较多，为了让大家更好的理解弄懂，需要花费大量的时间来阐述，加上本周正在做第一篇论文的实验，实验量很多，因此，将上采样篇延迟更新。请大家谅解！那么，本篇文章主要介绍深度学习中常用的几个评估指标，这是评价一个网络模型好坏的标准，非常重要，最后，希望大家学的愉快！你们的支持是我更新最大的动力！二、评估指标解析在阐述评估指标之前，需要搞清

一、前言本来这周的计划是更新上采样篇的，但是上采样篇涉及到的数学知识较多，为了让大家更好的理解弄懂，需要花费大量的时间来阐述，加上本周正在做第一篇论文的实验，实验量很多，因此，将上采样篇延迟更新。请大家谅解！那么，本篇文章主要介绍深度学习中常用的几个评估指标，这是评价一个网络模型好坏的标准，非常重要，最后，希望大家学的愉快！你们的支持是我更新最大的动力！二、评估指标解析在阐述评估指标之前，需要搞清

池化层主要有两个作用invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)保留主要的特征同时减少参数(降维，效果类似PCA)和计算量，防止过拟合，提高模型泛化能力(1) translation invariance（平移不变性）：这里举一个直观的例子(数字识别)，假设有一个16x16的图片，里面有个数字1，我们需要识别出来，这个数

Batch Normanlization简称BN，也就是数据归一化，对深度学习模型性能的提升有很大的帮助。BN的原理可以查阅我之前的一篇博客。白话详细解读（七）----- Batch Normalization。但为了该篇博客的完整性，在这里简单介绍一下BN。一、BN的原理BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者

一、前言二、torch.roll()方法解析三、案例分析

汽车车牌识别系统上传至CSDN之后，好多小伙伴都对项目中的各个文件存在疑问，该篇文章主要是为了解析项目中的各个文件。如果对项目中的各个文件已经很熟悉的小伙伴，请自觉略过。- LPR：项目名称- char_recognition：字符识别，包括汉字识别、字母识别以及数字识别- CharNet_Package.py:训练用于预测字符的神经网络模型- charNet.pkl:将训练好的字符预测模型保存为

一、前言深度学习系列文章陆陆续续已经发了两篇，分别是激活函数篇和卷积篇，纯干货分享，想要入门深度学习的童鞋不容错过噢！书接上文，该篇文章来给大家介绍“ 选择对象的标准 ”-- 损失函数，损失函数种类繁多，各式各样，不仅包括单损失函数，而且也包括多损失函数，但是最常使用的还是经典的均方误差损失函数和交叉熵损失函数，所以本篇文章重点介绍这两种损失函数，至于其余单损失函数和多损失函数，我也会简单介绍一下