总览1、训练（1）数据（2）损失函数（3）跟踪2、测试（1）跟踪（2）跟踪后处理1、训练（1）数据数据集类JointDataset在src\lib\datasets\dataset\jde.py文件中：首先__getitem__方法中读取图片和对应的标签，做简单的数据增强，统计所有数据集的ID最大值，也就是最多有多少个需要跟踪的对象。由于FairMOT的...

数据层名：AnnotatedData1、transform_param作用：数据变换transform_param {# 镜像，左右翻转mirror: true# 三个通道均值mean_value: 104.0mean_value: 117.0mean_value: 123.0#将输入图像resi...

pytorch，模型保存，加载

一、可能原因：（1）caffe协议文件中的某些层不存在（2）deploy文件中的输入层没有添加（3）deploy协议文件中某些层的训练参数没有删除（4）疏忽所致，deploy文件的语法错误，或者某些标点或编码错误。（5）显存不足二、解决办法（1）修改caffe的源文件，添加相关的层，然后重新编译。（2，3）如果是在测试中报错，那就检查deploy.prototxt文...

数据层名：AnnotatedData1、transform_param作用：数据变换transform_param {# 镜像，左右翻转mirror: true# 三个通道均值mean_value: 104.0mean_value: 117.0mean_value: 123.0#将输入图像resi...

反向传播其实就是链式求导法则的重复使用，链式法则其实就是先计算外层函数的导数，再计算内层函数的导数，一直重复。误差反向传播的过程，就是层层求导的过程。在看RNN的反向传播之前，先看看简单网络的反向传播。1、反向传播，链式求导看一个小例子，如下图所示，其中f函数由x,y,z三种变量的组合来决定，x和y并不是直接和f相连。假设，x+y用q来表示，作为中间结果q=x+y。首先来看一下前向传播过程...

问题说明：pytorch迁移学习时，需要对某些层冻结参数，不参与方向传播，具体实现是将要冻结的参数的requires_grad属性置为false，如下：

前提是正确安装cuda和cudnn，以及对应的平台。1、caffecaffe有个命令行参数：device_query 可以查看指定GPU的信息如：在命令行输入 caffedevice_query -gpu 02、pytorch直接在python环境下输入以下命令，显示true就表示可以调用gpuimport torchprint (torch.cuda.is_...

caffe自带可视化训练log的脚本程序但是这个程序会将：train_loss,test_loss,lr,acc每个指标单独画一张图（根据参数可选则画什么），如下：我觉得这样生成的图片太多了，而且train_loss和test_loss（实际上是训练过程中的val_loss）通常是要放在一起对比来看的，所以放在同一张图中会更清晰的看出是否过拟合或者欠拟合。因此我自己写了个程序提取...

环境：win10 x64位,cuda10.1，cudnn 7.5，vs2013，vs2015 distributed ，GTX1060按照网上的教程安装，如下面博客https://blog.csdn.net/huanyingzhizai/article/details/89298964我最后的安装位置：anaconda2下面的虚拟环境py3下面新建虚拟环境：tensorflow-g...