深度迁移学习（Deep Transfer Learning）是一种在深度学习领域中应用的迁移学习方法，旨在通过利用从一个领域学习到的知识来改善在另一个相关但数据较少的领域上的学习任务。深度迁移学习常常使用预训练的深度神经网络模型，通过迁移已学习到的知识和特征来加快和优化在目标领域上的学习过程。深度迁移学习的优势在于它能够利用源领域丰富的数据和已学习到的知识来改善目标领域上的学习性能。**迁移知识：

算法的特性 ：有穷性 ：算法的有穷性是指算法必须能在执行有限个步骤之后终止；确切性：算法的每一步骤必须有确切的定义；输入项：一个算法有0个或多个输入，以刻画运算对象的初始情况，所谓0个输入是指算法本身定出了初始条件；输出项：一个算法有一个或多个输出，以反映对输入数据加工后的结果。没有输出的算法是毫无意义的；可行性：算法中执行的任何计算步骤都是可以被分解为基本的可执行的操作步骤，即每个计算...

输入的卷积特征图的大小为(w,h),第一层空间金字塔采用4x4的刻度对特征图进行划分，其将输入的特征图分成了16个块，每块的大小为(w/4, h/4);YOLOV5中使用NMS算法用来移除一些网络模型预测时生成的多余检测框，该算法的核心 思想是指搜索局部得分最大值预测并移除与局部最大值预测框重叠度超过一定阈值的检测 框，需要注意的是，NMS算法对所有待检测目标类别分别执行。Focus模块是作者自己

为了进一步优化整个架构。用TPH-YOLOv5对VisDrone2021数据集进行训练后，对test-dev数据集进行测试，然后通过可视化失败案例分析结果，得出TPH-YOLOv5定位能力较好，分类能力较差的结论。DET-test-challenge数据集上，TPH-YOLOv5的AP结果为39.18%，比之前的SOTA方法(DPNetV3)提高了1.81%。这种灵活性的一个缺点是，它们通过随机训

xxx替换为你的用户名。

其中，参数groups很有意思，字面上理解是将参数分组，它可以在保持输出通道数不变的情况下，将参数重复利用。在实际实验中，同样的网络结构下，这种效果是未分组的卷积的效果的。

这里写自定义目录标题目标Before do anything :¶mount google drive by press mount button since my account has advanced protection¶导入数据构造数据集迭代器¶数据预处理¶生成数据批次和迭代器¶定义模型¶定义实例定义训练函数与评估函数¶拆分数据集并运行模型¶使用测试数据集评估模型¶🍨 本文为🔗365

而使用修正线性激活函数（ReLU）能够减少梯度爆炸发生的概率，对于隐藏层而言，使用修正线性激活函数（ReLU）是一个比较合适的激活函数，当然ReLU函数有许多变体，大家在实践过程中可以逐一使用以找到最合适的激活函数。如果梯度爆炸问题仍然发生，另外一个方法是对网络权重的大小进行校验，并对大权重的损失函数增添一项惩罚项，这也被称作权重正则化，常用的有L1（权重的绝对值和）正则化与L2（权重的绝对值平方

定义pipeline text_pipeline = lambda x : vocab(tokenizer(x)) label_pipeline = lambda x : int(x) - 1>> > # 可选 >> > text_pipeline('here is the an example') [ 475 , 21 , 2 , 30 , 5297 ] >> > label_pipeline(

Python中存在一些特殊的方法，有些方法以双下划线 “__” 开头和结尾，它们是Python的魔法函数，比如__init__()和__str__等等。从图中可以看到双下划线开头的变量，Python自动在前面加上了 “_class” 的前缀，所以我们访问时也要加上相应的前缀才能正常访问。__name__：前面和后面加上下划线代表着是系统定义的名字。表示当前模块执行过程中的名称，如果该模块执行，则_