报错：ValueError: invalid literal for int() with base 10: ''64.1245678解决方式：在做目标检测的时候，方框xmin,ymin,xmax,ymax含有小数的时候，在train时候，位置：bboxes = np.array([list(map(int, box.split(','))) for box in line[1:]])容易报错:V

前言：在目标检测中，有些时候，我们需要一些小型的数据集来看看自己的模型怎么样。自己制作数据集，太费事，耗时间。那么我们可以把VOC2007 或者VOC2012数据集中的一个类别拿出来实验。这里教你怎么把你需要的类别拿出来！一 把你需要的类别.xml文件和图片找出来运行下方代码就可以了：你只需要修改对应的路径，和下方的classes1,classes2,选择你需要的类别，如果只需要一个类别的话，就把

一、 引言对于模型的训练过程中，为了防止过拟合，往往会加入一些措施，比如说dropout,l1正则化，l2正则化等。这里简单替一下，怎么加入正则化。二、加入正则化2.1 方式一(定义参数时候，加入正则化，这个是对于tf.nn)：dwise_weight = tf.get_variable(name='depthwise_weights', dtype=tf.float32, trainable=T

这里写目录标题一 、过拟合、欠拟合的通俗理解二、欠拟合和过拟合的解决办法一、欠拟合二、过拟合一 、在网络深度中加入dropout()层次二、正则化一、L2正则化：二、图像增强三、模型参数的选择一、首先开发一个过拟合模型二、抑制过拟合三 、参数选择四、代码证明（dropout）一 、过拟合、欠拟合的通俗理解一味追求提高对训练数据的预测能力，所选模型的复杂度则 往往会比真模型更高。这种现象称为过拟合（

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、cnn实现minist代码二、多层感知器三.逻辑回归实现minist代码总结前言minist数字识别，是深度学习入门数据集。这里使用了三种方式来实现对minist数字分类。分别是逻辑回归，两层感知机，以及我们熟悉的cnn(卷积神经网络)。这里是基于tensorflow来实现的代码。很好入门。一、cnn实现minist代

这里写目录标题一 、过拟合、欠拟合的通俗理解二、欠拟合和过拟合的解决办法一、欠拟合二、过拟合一 、在网络深度中加入dropout()层次二、正则化一、L2正则化：二、图像增强三、模型参数的选择一、首先开发一个过拟合模型二、抑制过拟合三 、参数选择四、代码证明（dropout）一 、过拟合、欠拟合的通俗理解一味追求提高对训练数据的预测能力，所选模型的复杂度则 往往会比真模型更高。这种现象称为过拟合（

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、cnn实现minist代码二、多层感知器三.逻辑回归实现minist代码总结前言minist数字识别，是深度学习入门数据集。这里使用了三种方式来实现对minist数字分类。分别是逻辑回归，两层感知机，以及我们熟悉的cnn(卷积神经网络)。这里是基于tensorflow来实现的代码。很好入门。一、cnn实现minist代

一、计算参数量和FOPS代码本人觉得下面这个代码出错率少，因为沾到.pb文件，有些时候你总是要出点错，比如说：AssertionError: output is not in graph而且你去把节点打印出来后，把输出节点换上，还是错，不可思议。算了，你直接把你的模型输入，下面的框框！# 模型开始处××××××××××××××××××××××××××××# ***** (1) Create Gra

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、cnn实现minist代码二、多层感知器三.逻辑回归实现minist代码总结前言minist数字识别，是深度学习入门数据集。这里使用了三种方式来实现对minist数字分类。分别是逻辑回归，两层感知机，以及我们熟悉的cnn(卷积神经网络)。这里是基于tensorflow来实现的代码。很好入门。一、cnn实现minist代

这里写目录标题一 、过拟合、欠拟合的通俗理解二、欠拟合和过拟合的解决办法一、欠拟合二、过拟合一 、在网络深度中加入dropout()层次二、正则化一、L2正则化：二、图像增强三、模型参数的选择一、首先开发一个过拟合模型二、抑制过拟合三 、参数选择四、代码证明（dropout）一 、过拟合、欠拟合的通俗理解一味追求提高对训练数据的预测能力，所选模型的复杂度则 往往会比真模型更高。这种现象称为过拟合（