数据、算法、算力是人工智能发展的三要素。数据决定了Ai模型学习的上限，数据规模越大、质量越高，模型就能够拥有更好的泛化能力。然而在实际工程中，经常有数据量太少(相对模型而言)、样本不均衡、很难覆盖全部的场景等问题，解决这类问题的一个有效途径是通过数据增强（Data Augmentation），使模型学习获得较好的泛化性能。1. 数据增强介绍数据增强（Data Augmentation）是在不实质性

一、创建TensorRT有以下几个步骤：1.用TensorRT中network模块定义网络模型2.调用TensorRT构建器从网络创建优化的运行时引擎3.采用序列化和反序列化操作以便在运行时快速重建4.将数据喂入engine中进行推理二、Python api和C++ api在实现网络加速有什么区别？个人看法1.python比c++更容易读并且已经有很多包装很好的科学运算库（numpy，scikit

为什么要学习偏移而不是实际值？  Anchor已经粗略地“框住了”输入图像中的目标，明显的一个问题是：框的不够准确。因为受限于Anchor的生成方式，Anchor的坐标永远都是固定的那几个。所以，如果我们需要预测相对于Anchor的offset，那么，就可以通过预测的offset调整锚框位置，从而得到更精准的bounding box。为什么要学习偏移系数而不是偏移量？  因为w和h都是正数，而网络

对于CNN来说，一张图片经过conv和pooling时，这些层是不关心图片大小的。比如对于一个卷积层，output_size=(input_size - kernel_size)/stride+ 1,它并不关心输入图片的尺寸大小，但是经过若干次conv和pooling后，要经过flatten操作送入FC层中，此时我们得提前设置好hidden layer中神经元的个数，这一步需要考虑经过flatte

SSD是One-stage系列的优秀算法之一one-stage的意思是挑选候选框和预测候选框两步是同时完成的，R-CNN家族都是two-stage。SSD有什么创新点？（1）基于Faster-RCNN的Anchor，提出了prior anchor（先验框）。（2）从不同比例的特征图中预测物体（多尺度预测），并明确长宽比分离预测。SSD的backbone是VGG，这一点和Faster R-CNN是相

PyTorch进行气温预测需要CSV文件私聊###########————————————————————导包————————————————————————————————##############import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport torchimport torch.optim

Resnet，Densenet等神经网络中，常常采用add来连接特征层，Unet中常常采用concatenate。因为Unet是做图像分割的，图像分割是像素级分类，对特征的数量要求很高。而add是在一个特征上增加其语义信息，举个例子，一张脸，没有通过add话，你可能只会看到眼睛，通过add后你可以看见鼻子，眉毛，这样就可以增加置信度更好的判断这个人是谁，从而增加目标检测的准确率。这是博主的个人理解

1. 模型是否欠拟合或者过拟合？我们都知道如果一个模型的参数量过大而且数据集量很少的时候，这样的模型很容易学的过拟合！！！所以在添加注意力module的时候一定要注意模型是否过拟合！因为大部分注意力module都是带有一定的参数！（1）如果添加attention前模型处于欠拟合状态，那么增加参数是有利于模型学习的，性能会提高。（2）如果添加attention前模型处于过拟合状态，那么增加参数可能加

特征金字塔  特征金字塔是目前用于目标检测、语义分割、行为识别等方面比较重要的一个部分，对于提高模型性能具有非常好的表现，因为视觉任务中存在不同尺寸的物体，而cnn特征提取层级化结构的特点，因此需要在不同level层检测不同尺寸大小的物体。特征金字塔具有在不同尺度下有不同分辨率的特点，不同大小的目标都可以在相应的尺度下拥有合适的特征表示，通过融合多尺度信息，在不同尺度下对不同大小的目标进行预测，从

1 LabelImgLabelImg 是一款开源的图像标注工具，标签可用于分类和目标检测，它是用 Python 编写的，并使用Qt作为其图形界面，简单好用。注释以 PASCAL VOC 格式保存为 XML 文件，这是 ImageNet 使用的格式。 此外，它还支持 COCO 数据集格式。2 Labelmelabelme 是一款开源的图像/视频标注工具，标签可用于目标检测、分割和分类。灵感是来自于