我们把darknet的框架搭建完成了，但是还缺少网络的前向传播，那么这一章我们来完成前向传播代码的细节分析。我们记得上一届我们定义的darknet是个空框架，里面并没有forward，下面我们主要通过覆写 nn.Module 类别的 forward 方法来实现最终的网络结构。实现该网络的前向传播forward主要目的就是配合网络结构序列计算输出，让前后层的feature maps能够进行串联...

我们在之前的讲解中已经完成了Yolov3的整体网络框架，即已经构建了一个能为给定输入图像输出多个目标检测结果的模型。具体来说，我们的输出是一个形状为 B x 10647 x 85 的张量；其中 B 是指一批（batch）中图像的数量，10647 是每个图像中所预测的边界框的数量，85 是指边界框属性的数量。在完成具体框架后，就要看看yolov3的训练机制了。我们首先整体讲解它的training .

yolo系列是目标识别的重头戏，为了更好的理解掌握它，我们必须从源码出发深刻理解代码。下面我们来讲解pytorch实现的yolov3源码。在讲解之前，大家应该具备相应的原理知识yolov1，yolov2，yolov3。创建YOLO网络首先我们知道yolov3将resnet改造变成了具有更好性能的Darknet作为它的backbone，称为darknet。配置文件官方代码（authored ...

数据不平衡带来什么问题？假设在一个分类问题中，如果预测类别中存在一个或多个样本量极少的情况，比如在图像分类中识别恶性肿瘤（训练样本中含有肿瘤的图像远比没有肿瘤的图像少）。如果不考虑数据平衡的问题，模型的性能会出现问题。原因：1.对于不平衡类别，模型无法充分考察样本，从而不能及时有效地优化模型参数。2.它对验证和测试样本的获取造成了一个问题，因为在一些类观测极少的情况下，很难在类中有代表性。...

Distilling the Knowledge in a Neural Network最重要的思想是提出用soft target辅助hard target组成loss，一起训练student model。那soft target与hard target到底指的是什么？它们之间有什么不同呢？hard target：hard target其实就是数据的标签，比如分类驴和马，识别马时，hard tar

原理介绍假设我们需要对数组Array=[2,5,1,3,7,6,4]进行排序。首先我们把数组第一个元素作为基准数。然后，我们从右向左分别与基准数比较，找到比基准数小的索引；再从左向右分别于基准数比较，找到比基准数大的索引。找到两个索引后，对调两索引的元素。举例子，我们看Array，把左右两边数的索引分别设为i=1，j=len(Array)-1，从右往左与2作比较，发现1小于2，再从左往右，发现5.

神经网络可以通过输出图片上特征点的（x，y）坐标来实现对目标特征的识别。假设你正在构建一个人脸识别应用，出于某种原因，你希望算法可以给出眼角的具体位置。眼角坐标为（x，y），你可以让神经网络的最后一层多输出两个数字lx和ly，作为眼角的坐标值。如果你想知道两只眼睛的四个眼角的具体位置，那么从左到右，依次用四个特征点来表示这四个眼角。对神经网络稍作一些修改，输出第一个特征点（l1x，l1y），第..

派生类的构造函数：默认情况下，基类的构造函数不被继承，派生类需要定义自己的构造函数。若不继承基类的构造函数，派生类新增成员需要派生类定义构造函数初始化；继承来的成员自动调用基类构造函数进行初始化；派生类的构造函数需要给基类的构造函数传递参数。单继承：派生类只有一个直接基类的情况，是单继承。单继承时，派生类的构造函数只需要给一个直接基类构造函数传递参数。单继承时的构造函数举例：#inclu...

派生类的构造函数：默认情况下，基类的构造函数不被继承，派生类需要定义自己的构造函数。若不继承基类的构造函数，派生类新增成员需要派生类定义构造函数初始化；继承来的成员自动调用基类构造函数进行初始化；派生类的构造函数需要给基类的构造函数传递参数。单继承：派生类只有一个直接基类的情况，是单继承。单继承时，派生类的构造函数只需要给一个直接基类构造函数传递参数。单继承时的构造函数举例：#inclu...

我们在做具体的项目时，经常需要我们改变基础网络，但手头上的数据有限，所以想高质量的完成项目，我们需要使用预训练模型。这里我介绍一种方法能够在改变基础网络的同时加载预训练模型。1.在原有backbone中增加层并载入pretrained modelclass ResNet(nn.Module):def __init__(self, block, layers, num_classes...