1.AlexnetAlexnet是2012年发表的，是在imageNet 1000种分类上做图片分类的在该文中提出了dropout的概念Top1和Top5的错误率分别是37%和17%。其网络架构非常简单，包含8层—5个卷积层+3个全连接层。强调了relu激活的好处，计算速度比sigmoid快多了，由下面这幅图可以看出来：下降到0.25的错误率所需要的迭代次数，使用relu要快多了同时这里还应用了归

强化学习是一种学习方式，跟监督学习、无监督学习并列的学习方式，需要跟环境进行交互，然后更新参数。强化学习是一种通过跟环境交互获取反馈、更新参数的学习方式，目前主要用在游戏中，强化学习算法的思路非常简单，以游戏为例，如果在游戏中采取某种策略可以取得较高的得分，那么就进一步「强化」这种策略，以期继续取得较好的结果。这种策略与日常生活中的各种「绩效奖励」非常类似。我们平时也常常用这样的策略来提高自己的游

前言普通相机环绕带有BCH码标识的目标物体拍摄大量图片也是可以构建3D模型的本文探讨基于深度相机拍摄的图片准备工作1.深度相机,并标定其内参和畸变2.BCH码图片（我的博客里面有图片可以下载）3.你的目标物体（注意不要带有反光的金属、或者透明的部分，因为会导致在深度图不准确）备注：还要记得查看一下深度相机的工作距离，了解一下它的性能，一般深度相机都是以相机本身为原点建立世界坐标系的，且离z轴越近精

https://www.mathworks.com/help/driving/examples/automate-ground-truth-labeling-of-lane-boundaries.htmlmatlab对一个车道线有一个自动标注的工具，预先定义好ROI的样式后，它使用算法先进行检测，然后认为查看哪些图片标注错了手工进行修正。...

1.arm\x86-64的区别指令集不一样2.arm架构上的conda要安装miniforge3.arm上的ubuntu的软件管理器是pacman,这个安装起来也有点麻烦，因为这个库有一些前置依赖库pkg-config；4.如果dockerfile里面的CMD和entrypoint什么都没写的，直接docker run起来的容器会很快退出，而且没有log,如果要在容器中停留比较久的话需要-it进入

1.Dynamic比static好：transformer的参数是随着输入变化的，不像CNN是fixed住的；动态参数提取特征的能力会更强，所以很多CNN也在朝Dynamic的方向发展，比如Dynamic cov,Dynamic relu；2.attention机制更关注不同feature之间的相对关系，对于绝对的value值并不敏感（对于形变和噪声不敏感），所以相对于CNN具有更好的普适性；而C

读取32位float图像cv::Mat image = cv::imread(filepath, cv::IMREAD_LOAD_GDAL | cv::IMREAD_ANYDEPTH);cv::Mat image_float(image.rows, image.cols, CV_32FC1, image.data);存储32位float图像cv::Mat linear_CV8U(image.row

基本概念：1.FLOPS：每秒可执行的浮点型操作，是一个衡量计算机性能的指标2.Nas:Neural architecture search,神经网络架构搜索，是一种自动设计人工神经网络的技术，在大数据集上搜索所化的时间非常漫长，3.NAS与超参数优化密切相关，是自动机器学习（AutoML）的一个子领域。4.强化学习：强化学习不同于监督学习，不需要明确的输入和标签，还是在与环境的交互过程中获得奖励

一个好的深度学习模型的目标是将训练数据很好地推广到问题领域的任何数据。这使我们可以对模型从未见过的数据进行将来的预测。首先，当模型泛化性差的时候，我们需要找到其原因，当训练集能够很好地拟合，但是测试集却不能有很好的准确率，主要可能有以下几点原因：网络足够大，仅仅记住了所有样本当网络足够大时，无论你的数据集多么没规律，多么无意义，网络都能记住它们。如果你的数据集巨大，但是模型仅在训练集上表现良好，泛

https://wizardforcel.gitbooks.io/learn-dl-with-pytorch-liaoxingyu/content/2.3.html