目标检测 YOLOv5 - YOLOv5最新版本 6.2支持ncnn推理flyfish。

GPU训练前的事flyfish查看CUDA 版本cat /usr/local/cuda/version.txt结果CUDA Version 10.1.168查看cuDNN 版本cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2结果#define CUDNN_MAJOR 7#define CUDNN_MIN...

目标检测 - Generalized Focal Loss的Anchor处理机制flyfish分析的代码采用的是RangiLyu的nanodet，nanodet提供了轻量级模型从训练到Android端安装部署的整体解决方案源码地址代码所在路径是nanodet/nanodet/model/head/gfl_head.py一、基础配置octave_base_scale: 5scales_per_oct

flyfish

flyfish

Python可视化梯度下降flyfish从简单开始函数是y=(x−5)2+2y=(x-5)^2+2y=(x−5)2+2红叉表示梯度下降的起点x=0.5050505050505051x=0.5050505050505051x=0.5050505050505051y=22.204570962146718y=22.204570962146718y=22.204570962146718x轴代表的是我们待学

深度学习的基础 - 梯度flyfish柯西将极限的定义引入了微积分，很创新。因为微积分的创造者们没有把一件事说明白，他用新的概念把这件事说明白了。问题变了，思维方式就变了，之前的人的问题是什么什么是多少，他的问题是如何定义“什么什么”的问题。他定义的框架把微积分的严谨度向前迈了一大步，所以问什么样的问题最重要。微积分的现代体系就是他建的。数学有些地方又是借鉴物理知识，可以在后面的深度学习部分看到。

TensorFlow - 协方差矩阵flyfish 笔记解释 协方差矩阵之前 先解释其他名词数学期望（均值）数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。是最基本的数学特征之一。它反映随机变量平均取值的大小E(X)=∑∞k=1xk×pkE(X)=∑k=1∞xk×pkE(X)=\sum_{k=1}^{\infty}x_k \times p_...

前向传播和反向传播从一个简单的数学表达式开始1+2=31+2=31+2=3把常量换成变量，如下x+y=zx+y=zx+y=z这是数学表达式的方式我们再换种计算图的方式，如下前向传播反向传播这是加法，左边是前向传播，右边是反向传播这是乘法，左边是前向传播，右边是反向传播代码实现class multiplication_layer:def __init__(self):self.x = Nonesel

TensorFlow - 协方差矩阵flyfish 笔记解释 协方差矩阵之前 先解释其他名词数学期望（均值）数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和。是最基本的数学特征之一。它反映随机变量平均取值的大小E(X)=∑∞k=1xk×pkE(X)=∑k=1∞xk×pkE(X)=\sum_{k=1}^{\infty}x_k \times p_...