图1 卷积网络中的 layers目录（1）卷积层（2）本文章设计的函数列表，以及函数的参数解读（3）代码示例（4）空洞卷积（1）卷积层卷积本是分析数学中的一种运算，在深度学习中使用的卷积运算通常是离散的。作为卷积神经网络中最基础的组成部分，卷积的本质是用卷积核的参数来提取数据的特征，通过矩阵点乘运算与求和运算来得到结果。如图2 所示为一个基本二维卷积的运算过程，公式为y=ωx+b。这 里的特征图（

os.path 和 pathlib.Path 相似，但是后者简化了很多操作，有很多前者没有的优点。（1）os 库os 模块提供了非常丰富的方法用来处理文件和目录。Python基础教程，链接直达：Python OS 文件/目录方法 | 菜鸟教程 (runoob.com)其中，os.path() 模块使用频率最高，通常用来获取文件的属性，里面有很多函数，本文仅此介绍：os.path.join() #

YOLO系列的论文已经告一段落，期间也精读了DETR系列的一些论文，颇有感受。YOLOv4更像是一篇总结性的文章，具体描述了整个模型的各个阶段，并对每个阶段的经典算法进行了研究和消融实验，值得我们重新思考神经网络模型的框架。我们提供了一个最先进的探测器，它比所有可用的替代探测器更快( FPS )和更准确的( MS COCO AP50 ... 95和AP50)。所描述的探测器可以在具有8 - 16G

我们提出了一种新的方法，将目标检测视为一个直接的集合预测问题。我们的方法精简了检测管道，有效地消除了许多手工设计的组件，如非极大值抑制过程或锚生成，这些组件显式地编码了我们关于任务的先验知识。新框架的主要组成部分，称为DEtectTRansformer或DETR，是一个基于集合的全局损耗，通过二分匹配和一个转换器编码器-解码器架构强制进行唯一的预测。给定一个固定的小规模学习对象查询集，DETR根据

图1 卷积网络中的 layers承接上三篇博客：卷积层(空洞卷积对比普通卷积)、激活函数层、池化层 & 感受野目录（1）Dropout层（2）BN层（BatchNormal）（3）全连接层（1）Dropout层在深度学习中，当参数过多而训练样本又比较少时，模型容易产生过拟合现象。过拟合是很多深度学习乃至机器学习算法的通病，具体表现为在训练集上预测准确率高，而在测试集上准确率大幅下降。201

Demo success 需要5步（1）opencv官网下载直达: https://sourceforge.net/projects/opencvlibrary/files/此处建议下载opencv-3.4.16-vc14_vc15.exe（因4.5版本可能会报错，如下图所示）（2）安装opencv，本人安装路径：G:\c++_machine_learning\（3）配置电脑系统环境：G:\c++

目录（1）本文涉及的函数（2）池化层（3）感受野（4）代码示例（含注释）承接上两篇博客：卷积层(空洞卷积对比普通卷积)、激活函数层（1）本文涉及的函数import torchimport torch.nn as nnfrom torch import autogradnn.MaxPool1d# 1 维最大池化（max pooling）操作nn.MaxPool2d...

建议：结合《Attention Is All You Need》论文观看此文章。Transformer的模型结构如下图所示，通过把“My money don't jiggle jiggle”翻译成“我的钱不摇晃摇晃”来分析Transformer的工作过程。训练过程中，每一次解码器的输出与数据集中的翻译值通过交叉熵计算错误率（一次送入batch_size大小个token，计算错误率），从而对权重进行

我们对YOLO做了一些更新！我们做了一堆小的设计变更，使其变得更好。我们还训练了这个非常庞大的新网络。它比上次大一点，但更准确。不过还是很快的，不用担心。在320 × 320时，YOLOv3在22 ms内以28.2 mAP运行，与SSD一样精确，但速度快3倍。当我们查看旧的0.5 IOU的mAP检测度量YOLOv3是相当不错的。在Titan X上，它在51ms内达到 57.9，而RetinaNet

首先看摘要和结论，然后分析核心思想，最后总结表格内容和实验细节。训练深度神经网络是一个复杂的事实，在训练过程中每一层的输入分布随着前一层的参数变化而变化。这就需要较低的学习速率和仔细的参数初始化来减缓训练速度，并且使得具有饱和非线性的模型的训练变得非常困难。我们将这一现象称为内部协变量偏移（internal covariateshift），并通过归一化层输入来解决这个问题。我们的方法从将规范化作为