0.前言在解决一个分类问题时，遇到样本不平衡问题。CSDN后，发现网上有很多类似于欠采样 ，重复采样，换模型等等宏观的概念，并没有太多可实际应用（代码）的策略。经过一番查找和调试，最终找到3个相对靠谱的策略，故总结此文给有需要同志，策略均来自网络，本人只是进行了可用性测试并总结于此。以下将简单介绍各个策略的机制以及对应代码（亲测能跑通）。NOTE：下述代码均是基于caffe的，而且实现策略都...

已经有cuda8下，安装cuda9，安装cudnn，安装conda并构建对应版本的python虚拟环境参考链接https://blog.csdn.net/weixin_32820767/article/details/80421913https://blog.csdn.net/qq_42683011/article/details/114242445【cuda版本和对应驱动版本】https://b

论文地址：https://arxiv.org/pdf/1904.01355.pdf本文提出了一种全卷积one-stage目标检测算法（FCOS），以逐像素预测的方式解决目标检测问题，类似于语义分割。目前最流行的不论是one-stage目标检测算法，如RetinaNet，SSD，YOLOv3，还是two-stage目标检测算法，如Faster R-CNN。这两类算法大都依赖于预定义的锚框（anch.

1×1的卷积核卷积核在CNN中经常被用到，一般常见的是3×3的或者5×5的，见下图，这里不多赘述那么1×1的卷积核，就像上面那样。一般1×1的卷积核本质上并没有对图像做什么聚合操作，以为就是同一个ww去乘以原图像上的每一个像素点，相当于做了一个scaling1×1卷积核最初是在Network in Network这个网络结构中提出来的。它用了比AlexNet更少的参数，达...

1.什么是知识蒸馏最近利用知识蒸馏的方法，对业务中的性能有了可观的提升，因此在这里总结一波。本文主要从宏观的角度分析一下各个蒸馏算法的蒸馏方式，具体细节可以根据兴趣阅读论文~ 知识蒸馏是一种模型压缩常见方法，用于模型压缩指的是在teacher-student框架中，将复杂、学习能力强的网络学到的特征表示“知识蒸馏”出来，传递给参数量小、学习能力弱的网络。从而我们会得到一个速度快，能力强的网络，.

CVPR 2019 | Relational Knowledge Distillationhttps://github.com/HobbitLong/RepDistiller1.蒸馏学习由于大模型的拟合能力强，但计算效率低耗时大，而小模型的拟合能力弱，计算效率高。基于该特征，蒸馏学习的目的是让小模型学习大模型的拟合能力，在不改变计算效率的前提下提升小模型的拟合能力。如下图所示，传统的蒸馏学习...

一：PCA算法目的根据样本矩阵X={x1，x2,…, Xm}，以及当前样本空间中样本个数N，求得样本协方差矩阵XXT，中的最大的K个特征向量，并且利用这K个特征向量组成的矩阵进行低纬度降维，实现数据的主成分分析。二：PCA降维的整体步骤（1）对原始数据减去平均值，实现去中心化。（2）求出样本空间中N个样本的样本协方差矩阵（XXT）。（3）利用SVD奇异值分解（适用于任意矩阵） 或 特征值分解（只适

 最近开始学习Python编程，遇到scatter函数，感觉里面的参数不知道什么意思于是查资料,最后总结如下：1、scatter函数原型2、其中散点的形状参数marker如下：3、其中颜色参数c如下:4、基本的使用方法如下：[python] view plain copy#导入必要的模块  import numpy as np  import mat...

精确率（Precision），又称为“查准率”。召回率（Recall），又称为“查全率”。召回率和精确率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中召回率是是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。精确率是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。如以下公式所示：召回率(Re...

 最近开始学习Python编程，遇到scatter函数，感觉里面的参数不知道什么意思于是查资料,最后总结如下：1、scatter函数原型2、其中散点的形状参数marker如下：3、其中颜色参数c如下:4、基本的使用方法如下：[python] view plain copy#导入必要的模块  import numpy as np  import mat...