SAR成像处理包括：信号生成、混频、发射、后向散射、接收信号、正交解调（得到复数信号）、采样和数字处理。下面将其分成两部分分别介绍。1 信号到复数数据-原始数据是怎么来的SAR原始数据、SAR信号数据或SAR相位历程是SAR系统通常记录的下传的信号。由于方位向信号常有一个非零的多普勒中心频率，该信号只在距离向上基带信号。1.1 粗略的过程雷达信号有许多，其中一种是线性调频信号：u(t)=ej2π(

在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元之所以无法对原始图像的所有信息进行感知，是因为在这些网络结构中普遍使用卷积层和pooling层，在层与层之间均为局部相连（通过sliding filter）。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着他可能蕴含更为全局、语义层次更高的特征；而值越小则表示其所包

对于标题其实完整的陈述是这样的：神经网络可以在一个紧致集（compact set）上逼近任意连续函数。划重点，首先是紧致集，这是集合论中的知识，你可以把它想象为在一个确切的闭区间 [a, b] 内，可以用神经网络接近任何函数。这个边界必须要明确，实际上你是不可能使用神经网络对输入 x 在 (−∞,+∞)(-\infin,+\infin)(−∞,+∞)区间上逼近 f(x)=x2f(x)=x^{2}f

搞AI模型的大部分都是从pycharm或者其他python的IDE入坑的，因此在跑程序的时候用断点调试非常的得心应手。而且断点调试利于追踪数据流也非常的适合用以问题分析。然而在边缘端部署的时候就很难再像使用pycharm一样进行远程的断点调试了。归根结底是因为边缘端不能进行代码编译只能跑应用程序。因此这就引申到了如何在远程端(我常用的是Windows)进行边缘端部署的应用程序的断点调试。

问题提出情况在学习理解faster-rcnn网络时，都有出现anchor box这一个概念，然而anchor box的大小却是一个确定的值。那么假如你标注的目标框比anchor box小很多的情况下那不是预测得到的检测框不是划出了过多的无效值了吗？为了解决这个问题在这就需要先了解锚框这个概念一.锚框(anchor box)/先验框(prior bounding box)在众多经典的目标检测模型中，

1.深度学习中为什么使用卷积和只用全连接层相比，卷积层的两个主要优势在于：参数共享和稀疏连接。

1.深度学习中为什么使用卷积和只用全连接层相比，卷积层的两个主要优势在于：参数共享和稀疏连接。

问题出现在我将torch1.5.1升级到1.7.0时，使用分布式计算出现了不支持nccl，从而无法进行单机多卡计算。所以这提醒我们环境能用的情况下千万千万不要去更新(未更新之前我是可以使用分布式计算的。。。)。扯远了，回归正题。当出现这个问题的时候我先将cuda10.1与对应的cudnn重新安装。然后重新跑程序发现还是不能进行分布式。然后我将torch1.7.0退回1.5.1再跑，发现还是不能进行

在训练过程中需要用验证集上的某个指标来调整学习率等参数，这个指标一般用验证集上的准确率，此时不需要计算验证集上的损失函数。但当验证集不够大的时候，准确率的波动可能太过剧烈，此时也可以用验证集上的损失函数作为调整学习率等参数的指标。意思也就是说验证集的loss有调整超参数的作用综上所述：可以不计算验证集上的loss，验证集上的loss不会参与模型的训练；不过，和validation accuracy

x = torch.randn([1, 3, 4, 4])Out:tensor([[[[-0.2728, -0.3203, -0.3554,0.1830],[ 0.3597, -0.9062,0.0591,0.9316],[-2.3520, -0.9139,0.2391, -1.1957],[ 1.0322, -...