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

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

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

前言论文：https://arxiv.org/abs/2004.10934YOLOV4就是筛选了一些从YOLOV3发布至今，被用在各式各样检测器上，能够提高检测精度的tricks，并以YOLOV3为基础进行改进的目标检测模型。YOLO V4在保证速度的同时，大幅提高模型的检测精度。下图是YOLOV4总体网络结构。1. backboneYOLOV4的backbone从YOLOV3的DarkNet53

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

1. MobilenetV1介绍MobilenetV1是Google提出的用于移动和嵌入式应用的高效网络模型。MobilenetV1基于一种流线型的架构，使用深度可分离卷积来构建轻量级的深度神经网络。2. 深度可分离卷积MobileNetV1模型基于深度可分卷积这是一种分解卷积的形式，它将一个标准卷积分解为深度卷积和一个1×1卷积，1x1卷积又叫称为点卷积。标准的卷积是输入一个 DFD_{F}DF

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

DCGAN介绍1. DCGAN原理    生成对抗网络的核心思想是同时训练两个相互协作、相互竞争的深度神经网络，一个称为生成器（Generator），另一个称为判别器（Discriminator）。生成器用来生成假图片，而判别器用来判断图片的真假。2. 转置卷积介绍    普通卷积的卷积操作是一种下采样（Subsampled）操作，就是让图像的大小从大变小，而转置卷积就是一种上采样（Upsampl

polyloss介绍polyloss是Cross-entropy loss和Focal loss的优化版本，PolyLoss在二维图像分类、实例分割、目标检测和三维目标检测任务上都明显优于Cross-entropy loss和Focal loss。作者认为可以将常用的分类损失函数，如Cross-entropy loss和Focal loss，分解为一系列加权多项式基。它们可以被分解为∑j=1nαj

Resnet50介绍Resnet50与之前在Resnet34中介绍的几乎一样，唯一有区别的就是：残差块由两层卷积变成了三层卷积，网络更深，如下：# 结构快def block(x, filters, strides=1, conv_short=True):if conv_short:short_cut = Conv2D(filters=filters*4, kernel_size=1, stride