与其他开源机器学习库相比，PyCaret有着明显的低代码特质，可仅用几行代码完成原本需要数百行代码完成的工作，尤其是对于密集的实验迭代过程可以大大提速。D-Tale是一个易于使用的低代码Python库，通过将Flask编写的后端与React编写的前端相结合，与JupyterNotebook无缝集成，可以查看和分析Pandas形态的数据，包括DataFrame、Series、MultiIndex、D

卷积神经网络(Convolution Neural Network, CNN)因其强大的特征提取能力而被广泛地应用到计算机视觉的各个领域，其中卷积层和池化层是组成CNN的两个主要部件。理论上来说，网络可以在不对原始输入图像执行降采样的操作，通过堆叠多个的卷积层来构建深度神经网络，如此一来便可以在保留更多空间细节信息的同时提取到更具有判别力的抽象特征。然而，考虑到计算机的算力瓶颈，通常都会引入池化层

前言一个模型的性能除了和网络结构本身有关，还非常依赖具体的训练策略，比如优化器，数据增强以及正则化策略等（当然也很训练数据强相关，训练数据量往往决定模型性能的上线）。近年来，图像分类模型在ImageNet数据集的top1 acc已经由原来的56.5（AlexNet，2012）提升至90.88（CoAtNet，2021，用了额外的数据集JFT-3B），这进步除了主要归功于模型，算力和数据的提升，也与

卷积，是卷积神经网络中最重要的组件之一。不同的卷积结构有着不一样的功能，但本质上都是用于提取特征。比如，在传统图像处理中，人们通过设定不同的算子来提取诸如边缘、水平、垂直等固定的特征。而在卷积神经网络中，仅需要随机初始化一个固定卷积核大小的滤波器，并通过诸如反向传播的技术来实现卷积核参数的自动更新即可。其中，浅层的滤波器对诸如点、线、面等底层特征比较敏感，深层的滤波器则可以用于提取更加抽象的高级语

计算机视觉(Computer Vision)又称为机器视觉(Machine Vision)，顾名思义是一门“教”会计算机如何去“看”世界的学科。存在的难题包括：语义鸿沟（semantic gap）：人类可以轻松地从图像中识别出目标，而计算机看到的图像只是一组0到255之间的整数。计算机视觉任务的其他困难 拍摄视角变化、目标占据图像的比例变化、光照变化、背景融合、目标形变、遮挡等。

前言问题：在一个端到端训练的网络中，如果最终的loss = a*loss1+b*loss2+c*loss3...,对于a,b,c这些超参的选择，有没有什么方法？整理自丨知乎链接丨深度学习的多个loss如何平衡？ - 知乎回答1作者：Evan链接：https://www.zhihu.com/question/375794498/answer/1052779937来源：知乎著作权归作者所有。商业转载请

与其他开源机器学习库相比，PyCaret有着明显的低代码特质，可仅用几行代码完成原本需要数百行代码完成的工作，尤其是对于密集的实验迭代过程可以大大提速。D-Tale是一个易于使用的低代码Python库，通过将Flask编写的后端与React编写的前端相结合，与JupyterNotebook无缝集成，可以查看和分析Pandas形态的数据，包括DataFrame、Series、MultiIndex、D

前言在前面的秘籍一：模型加速之轻量化网络和秘籍二，非极大值抑制与回归损失优化之路中，我们主要关注了轻量化网络，非极大值抑制算法、回归损失优化。但是要想获得较好的检测性能，检测算法的多尺度检测也极为重要。传统卷积网络通常采用从上到下的单行结构。对于大物体而言，其语义信息将出现在较深的特征图中；而对于小物体，其语义信息出现在较浅的特征图中，随着网络的加深，其细节信息可能会完全消失。多尺度检测也是当今物

前言本文转载于半监督目标检测（Semi-Supervised Object Detection，SSOD）相关方法介绍 - 知乎本文结合相关论文介绍了一些半监督目标检测（Semi-Supervised Object Detection，SSOD）算法，即如何利用大量的 unlabeled data 提升模型的检测性能。什么是半监督目标检测？传统机器学习根据训练数据集中的标注情况，有着不同的场景，主

目标检测是指在图像或视频中分类和定位物体的任务。由于其广泛的应用，最近几年目标检测受到了越来越多的关注。本文概述了基于深度学习的目标检测器的最新发展。同时，还提供了目标检测任务的基准数据集和评估指标的简要概述，以及在识别任务中使用的一些高性能基础架构，其还涵盖了当前在边缘设备上使用的轻量级模型。在文章的最后，我们通过以图表的形式直观地在多个经典指标上比较了这些架构的性能。