WinputW_{input}Winput​和HinputH_{input}Hinput​是图片的宽和高。WfilterW_{filter}Wfilter​和HfilterH_{filter}Hfilter​是卷积核的宽和高。PPP是padding填充的圈数。SSS是卷积核的步长。

MobileViT介绍论文地址：https://arxiv.org/pdf/2110.02178.pdf来自苹果的研究者提出了一种用于移动设备的轻量级通用视觉 transformer——MobileViT。该网络在 ImageNet-1k 数据集上实现了 78.4% 的最佳精度，比 MobileNetv3 还要高 3.2%，而且训练方法简单。轻量级卷积神经网络（CNN）是移动设备机器视觉任务的首选

前言激活函数是一种添加到人工神经网络中的函数，类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容。此图来自百度百科，其中step function就是激活函数，它是对之前一层进行汇总后信号进行激活，传给下一层神经元。常用的激活函数有以下8个：常用的8个激活函数sigmoidTanhReLUSoftmaxLeaky ReLUELUPReLUSwish1. Sigmoid如

1. 对应版本官网在安装tensorflow-gpu版本之前，需要安装cuda和cudnn。对应版本可以在官网中寻找，我也把图放在下面了。2. tensorflow-gpu安装cudacuda是英伟达推出的运算平台，是一种通用的并行计算机构，可以使gpu解决复杂的计算问题。cuda下载的地址为：https://developer.nvidia.com/cuda-toolkit-archive。例如

深度学习——图像数据增强前言数据增强的意思就是让数据量增多。对于深度学习来说，大的数据量可以训练出更好的深度学习模型。在图像增强方面，我们常用的手段如下：旋转翻转缩放平移尺度变换对比度变换噪声扰动颜色变换1. 使用tensorflow2.X的ImageDataGenerator进行数据增强经过如下代码可以在img_temp文件夹中生成20张经过数据增强的图片from tensorflow.kera

前言在深度学习中，如果没有数据集，就无法训练模型，所以数据是根本，下面列出几个常用数据集。想要更多数据集，可以去这个地址：https://www.cvmart.net/dataSets或https://gas.graviti.cn/open-datasets自动驾驶数据集1. BDD100K数据集2018年5月伯克利大学AI实验室（BAIR）发布了公开驾驶数据集BDD100K，同时设计了一个图片标

前言关于opencv读取图片等基本操作可以查看opencv-python基础操作汇总——1（读取、画线、平移，旋转缩放、翻转和裁剪等操作）颜色分割（RGB）可以通过cv2.split来分割RGB通道，再用cv2.merge来融合通道。import cv2import matplotlib.pyplot as pltimport numpy as npplt.figure()image = cv2.

深度学习——图像数据增强前言数据增强的意思就是让数据量增多。对于深度学习来说，大的数据量可以训练出更好的深度学习模型。在图像增强方面，我们常用的手段如下：旋转翻转缩放平移尺度变换对比度变换噪声扰动颜色变换1. 使用tensorflow2.X的ImageDataGenerator进行数据增强经过如下代码可以在img_temp文件夹中生成20张经过数据增强的图片from tensorflow.kera

前言在深度学习中，如果没有数据集，就无法训练模型，所以数据是根本，下面列出几个常用数据集。想要更多数据集，可以去这个地址：https://www.cvmart.net/dataSets或https://gas.graviti.cn/open-datasets自动驾驶数据集1. BDD100K数据集2018年5月伯克利大学AI实验室（BAIR）发布了公开驾驶数据集BDD100K，同时设计了一个图片标

Stable Diffusion 基于潜在扩散模型（Latent Diffusion Models, LDMs），通过将图像生成过程从像素空间（原图大小）转移到潜在空间（低维度大小），显著降低了计算复杂度，同时保持了高质量的图像生成能力。Stable Diffusion 的核心思想是结合扩散模型的强大生成能力与自动编码器的高效表示学习。传统扩散模型如 DDPM 直接在像素空间操作，计算成本极高。