链接：https://pan.baidu.com/s/1mJIDmAVZ51Z0B9LwZ_N6yw提取码：tzxd

近年来，知识提炼中的神经结构搜索，即在教师模型的指导下，对学生结构和知识转移进行联合搜索，将是未来研究的一个有趣课题。Offline Distillation缺点是教师网络通常容量大，模型复杂，需要大量训练时间，还需要注意教师网络和学生网络之间的容量差异，当容量差异过大的时候，学生网络可能很难学习好这些知识。然而，现有的在线方法（如相互学习）通常不能解决在线设置中的大容量教师，因此，进一步探索在线

转自：https://blog.csdn.net/superjunenaruto/article/details/52431941 直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布...

本文整理、总结了常见softmax（如A-Softmax,AM-Softmax,ArcFace）的公式、论文出处等。先总结几个重要的点：L-Softmax 提出了angular margin的概念，重新思考，引入cos角，认为各类之间的夹角需要有个margin。A-Softmax将weight归一化，使得特征上的点映射到单位超球面上。AM-Softmax将角度上的倍数关系改为cos值的比较。Arc

在练习Python中package的相对导入时，即from . import XXX　　或者　from .. import XXX　　时会遇到这样两个错误：SystemError: Parent module '' not loaded, cannot perform relative import　　和ValueError: attempted relative import beyond to

faiss安装使用Anaconda安装使用Anaconda安装使用faiss是最方便快速的方式，facebook会及时推出faiss的新版本conda安装包，在conda安装时会自行安装所需的libgcc, mkl, numpy模块。faiss的cpu版本目前仅支持Linux和MacOS操作系统，gpu版本提供可在Linux操作系统下用CUDA8.0/CUDA9.0/CUDA9.1编译的版本。注意

https://blog.csdn.net/ydyang1126/article/details/78842952决策树、随机森林结果可视化决策树、随机森林结果可视化一、 决策树可视化环境搭建二、 决策树可视化的三种方法第一种第二种第三种三、 决策树可视化实例四、 随机森林可视化实例五、 决策树各特征权重可视化【本文测试环境为python3】一、 决策树可视化环境搭建scikit-learn中决策

CUDA IPC 业务THCudaCheck FAIL file=torch\csrc\generic\StorageSharing.cpp line=252error=63 : OS call failed or operation not supported on this OSWindows 不支持此类业务。就像在 CUDA 张量上进行多进程处理一样无法成功，有两种方法可供选择...

齐次坐标是一个相机标定问题的关键理论之一，所以就此问题分析一下。单从定义上来讲，齐次坐标（投影坐标）就是用N+1维来代表N维坐标（点和向量），也可说用齐次坐标来表示笛卡尔坐标，具体的数学表达式可以这样写：在直角坐标系点坐标（x,y）末尾加上一个额外的变量w，一个点(X,Y)在齐次坐标里面变成了（x,y,w），并且有X = x/wY = y/w。

实验数据：cat-dog 二分类，训练集：19871 验证集：3975实验模型：resnet-18batchsize：128*2 （一个K80吃128张图片）存在的问题： 对训练集 accuracy可达0.99 loss=1e-2 -3，然而验证集 accuracy 0.5，loss 很高，试了多个初始学习率（0.1 — 0.0001）都不行解决上述问题： 采取warm up方法 ...