出于工作需要，学习了GAN，原理这块就不多讲了，主要讲怎么训练自己的数据生成新的图片，因为博客上大多是生成MNIST数据集,生成自己的图片时，有些小坑。下面记录一下本人基于参考链接，将MNIST数据集的代码改成生成自己数据时遇到的坑。一、读取数据问题# MNIST datasetmnist = datasets.MNIST(root='./data/', train=True, transform

实验环境:Pytorch 1.7.0torchvision 0.8.2Python 3.8CUDA10.2 + cuDNN v7.6.5Win10 + PycharmGTX1660, 6G网络结构采用最简单的类VGG结构，即全部由3*3卷积和最大池化组成，后面接一个全连接层用于分类，网络大小仅18M左右。神经网络结构图：Pytorch上搭建网络：class Block(nn.Module):def

环境：Win10 + Pycharmopencv-python 4.5.4python 3.9安装安装opencv-python 4.5.4即可，非常简单pip install opencv-python==4.5.4.58原理和文件：实现： 人脸检测 + 对齐 + 提取特征 + 匹配OpenCV4.5.4发布中包含了一个新的人脸识别算法支持，算法来自北邮邓伟洪教授团队贡献，SFace模型大小为3

loss要最小化,那么让策略在优势正时增加动作概率,优势负时减少概率,熵要尽量大(输出动作的分布要尽量均衡),估算的价值要尽量接近奖励。的符号（正/负）决定了策略更新方向，而不是单纯追求“优势尽量大”。衡量策略的随机性：熵越大，策略的探索性越强（动作分布更均衡）。表示“实际奖励”与“Critic预测的期望值”之间的差异。：熵的项鼓励策略保持探索性，防止过早收敛到次优动作。：Critic的价值估计要

运行环境：python3.5+需要安装一下opencv，如果有anaconda，执行conda install opencv-python这个脚本适用于原来都是同一尺寸的图片，如果不一致，请参考本人另一篇博客。# *_* coding : UTF-8 *_*# 开发人员： csu·pan-_-||# 开发时间： 2020/11/24 19:42# 文件名称： resize_img_xml.py#

分享一个比较实用的功能，改一下文件路径和缩放尺寸即可适配成自己的。运行环境：python3.5+需要安装一下opencv，如果有anaconda，执行conda install opencv-python# *_* coding : UTF-8 *_*# 开发人员：csu·pan-_-||# 开发时间：2020/11/09 16:40# 文件名称：renameFile.py# 开发工具：PyCha

需要用到shapely这个库，我的环境是 Win10 x64，python3.7，该库可在以下网址下载：https://www.lfd.uci.edu/~gohlke/pythonlibs/前面的博客里写了利用DOTA_Devkit计算AP。有时候我们还需要知道特定置信度下的检出率recall和准确率precision，DOTA_Devkit就不大好用了，想来不如自己写个脚本计算。得到的结果文件还

出于工作需要，学习了GAN，原理这块就不多讲了，主要讲怎么训练自己的数据生成新的图片，因为博客上大多是生成MNIST数据集,生成自己的图片时，有些小坑。下面记录一下本人基于参考链接，将MNIST数据集的代码改成生成自己数据时遇到的坑。一、读取数据问题# MNIST datasetmnist = datasets.MNIST(root='./data/', train=True, transform

实验环境:Pytorch 1.7.0torchvision 0.8.2Python 3.8CUDA10.2 + cuDNN v7.6.5Win10 + PycharmGTX1660, 6G网络结构采用最简单的类VGG结构，即全部由3*3卷积和最大池化组成，后面接一个全连接层用于分类，网络大小仅18M左右。神经网络结构图：Pytorch上搭建网络：class Block(nn.Module):def