只是贴上跑通的代码以供参考学习参考网址：迁移学习训练卷积神经网络进行图像分类需要用到的数据集下载网址：https://download.pytorch.org/tutorial/hymenoptera_data.zip完整的代码如下：# License: BSD# Author: Sasank Chilamkurthyfrom __future__ import print_function, d

看目标检测网络方面的论文时，出现了一组对比词汇： bottom-up和top-down，查了一些资料，结合个人理解，得到的看法是：top-down: 图像进入anchor-based类的网络得到特征图，一般先产生可能存在目标的框，再进一步确定目标的位置，这种从框到目标的方式叫从上到下。bottom-up：在anchor-free类的网络中，图像提取到特征图后，网络先确定目标的边缘极值点或角点，再通

由于之前我的vscode配置git失败了，所以每次代码更新我都是打开GitBash界面，复制ssh或http进行gitclone，久而久之，一个框架的代码就被我拉了很多版本，而且不同的版本自己也有更改，所以拉了新版本后也不能把旧的给删除，于是就积累了很多，一时也不太好找出想要用的代码，甚是烦人。结合git命令可以直接拉取上传或更新的部分代码，非常方便简单。近期实在用的太频繁了，一两天就要跟新，所以

起因是得到一批标准的COCO数据集(json文件)，自己后来又手动标了一批数据，但是标注出来的文件是VOC格式，现在想要把这些数据合并到一起，再转成标准的COCO数据集用于训练。个人觉得json转xml更简单，且已有xml转json代码，所以选择将部分json文件转为xml文件再做处理，参考了相关博客： 简单调整了一下，亲测可用。附上代码：import osimport timeimport js

学习目标检测有一年了，从论文学习到工程实践，个人的认识得到了一定提升，大致总结一下。目标检测是深度学习的图像处理一个方向，还有其他方向比如实例分割（找出目标并得到掩膜）、语义分割（每一个像素属于什么类别）、场景分类（哪一类即可，比较简单）。深度学习是机器学习的一个发展方向，机器学习的里一个方向就是传统的机器学习，使用支持向量机等方法。而机器学习是被包含于人工智能方向的。深度学习的发展可以追溯到神经

假设单词嵌入并且组成batch后，shape为(b,N,254)，N是序列最大长度，即最长的一句话包含的单词个数为N，254是每个单词的嵌入向量长度,b是batch，为了便于组成batch(不同训练句子单词个数肯定不一样)进行训练，可以简单统计所有训练句子的单词个数，取最大即可，假设统计后发现待翻译句子最长是10个单词，那么编码器输入是10x254,batch为1 则输入维度是（1，10，254）

学习目标检测有一年了，从论文学习到工程实践，个人的认识得到了一定提升，大致总结一下。目标检测是深度学习的图像处理一个方向，还有其他方向比如实例分割（找出目标并得到掩膜）、语义分割（每一个像素属于什么类别）、场景分类（哪一类即可，比较简单）。深度学习是机器学习的一个发展方向，机器学习的里一个方向就是传统的机器学习，使用支持向量机等方法。而机器学习是被包含于人工智能方向的。深度学习的发展可以追溯到神经

heatmap，即热力图，在目标检测的图像处理中，采用二维高斯核来表示关键点。以bbox的中心点坐标取整作为高斯圆的圆心，以bbox的大小确定高斯圆的半径，代入高斯公式，填充高斯函数计算值（0-1），圆心的值最大，沿半径向外递减，在图像中，中心点最亮，沿半径向外变暗。热力图中，不是中心点的地方全部设为0，即黑色区域。热图损失：由于填充高斯函数值的圆形区域是卷积得到，所以圆形区域代表目标中心点的特征

⑥利用conda env export 导出的是个yaml格式的文件，该文件记录了环境名，软件源地址以及安装包列表，反过来 使用yaml配置文件创建新环境。上传env_name.tar.gz到新设备的anaconda3的环境中，即conda/env/目录下。相当于python会在代码执行路径下定位到-m后面的路径下，即xxxx里面的代码。2把模块当作脚本来启动(注意：但是__name__的值为’m

看目标检测网络方面的论文时，出现了一组对比词汇： bottom-up和top-down，查了一些资料，结合个人理解，得到的看法是：top-down: 图像进入anchor-based类的网络得到特征图，一般先产生可能存在目标的框，再进一步确定目标的位置，这种从框到目标的方式叫从上到下。bottom-up：在anchor-free类的网络中，图像提取到特征图后，网络先确定目标的边缘极值点或角点，再通