通过这个网址把权重下载下来，放到对应的目录地址checkpoint_path，比如checkpoint_path = ‘/home/xxx/wide_resnet50_racm-8234f177.pth’。这是因为timm下载权重默认是从huggingfaceHub，国内一般访问不了。其中backbone_name 是你要创建的模型名比如resnet50，自己修改下。上面的url就是权重下载链接，

最短路算法单源最短路：即一个点到任意点的最短路径多源最短路：即任意一点到任意一点的最短路径Dijkstra算法：这个算法是通过点去更新最短路，每次找离源点最近的一个顶点，然后以该顶点为中心进行扩展，最终找到源点到其余点的最短路径。用一个dis数组来存源点到其余各点的最短路径，起初，dis【s】源点设为0，其余设为极大值，初始化源点到其他能达到的顶点的距离，每次从dis数组里面选择一个从未更新过的顶

首先，以输入特征数为2，样本数为1，层数为2的神经网络举例子（隐藏层1层+输出层1层）激活函数为sigmoid函数所以有以下的网络一般输入层不算入层数，在这里写为第0层。第0层有两个输入特征，1个样本数，所以矩阵维度为[2,1]第1层有4个单元数，所以矩阵维度的第一维为4，第二维为前一层的单元数（即第0层），所以第1层的矩阵维度为[4,2]第2层有1个单元数，所以矩阵维度的第一维为1，第二维为前一

自己的笔记最经典的例子就是房价预测了。通过这个例子来记录下自己对深度学习的理解。（如果理解有误，欢迎指正）1.房价预测假设房价只由房子的大小决定，这里用x表示，而房子的价格用y表示。（前提我们有一些数据（x，y））在坐标轴上描点，如下图，我们需要做的就是找出一条直线以使点尽量在直线上。直线的方程为y=ax+b，在这里，我们把它写成y=wx+b，在我们已知x和y的情况下，我们要求的就是参数w和b。所

首先，以输入特征数为2，样本数为1，层数为2的神经网络举例子（隐藏层1层+输出层1层）激活函数为sigmoid函数所以有以下的网络一般输入层不算入层数，在这里写为第0层。第0层有两个输入特征，1个样本数，所以矩阵维度为[2,1]第1层有4个单元数，所以矩阵维度的第一维为4，第二维为前一层的单元数（即第0层），所以第1层的矩阵维度为[4,2]第2层有1个单元数，所以矩阵维度的第一维为1，第二维为前一

首先，以输入特征数为2，样本数为1，层数为2的神经网络举例子（隐藏层1层+输出层1层）激活函数为sigmoid函数所以有以下的网络一般输入层不算入层数，在这里写为第0层。第0层有两个输入特征，1个样本数，所以矩阵维度为[2,1]第1层有4个单元数，所以矩阵维度的第一维为4，第二维为前一层的单元数（即第0层），所以第1层的矩阵维度为[4,2]第2层有1个单元数，所以矩阵维度的第一维为1，第二维为前一

读取图片：img = cv2.imdecode(np.fromfile(inputpath,dtype=np.uint8), -1)保存图片：cv2.imencode('.jpg',rotated_img)[1].tofile(outpath) #'.jpg'按自己需要填写图片格式

在训练模型时，我们经常会对数据进行归一化，甚至在隐藏层中也加入归一化。这样做的主要目的是为了加快模型收敛速度。假设特征在经过卷积层后没有经过归一化的数据如下图分布（xx表示数据点），用sigmoid函数作为激活函数。那么在不经过归一化的时候数据所在的分布会使sigmoid的函数值接近0，这样会导致出现梯度消失的情况。假设在对经过卷积层的数据进行归一化后，数据分布如下图所示，分布会处在中间状态，si

在训练模型时，我们经常会对数据进行归一化，甚至在隐藏层中也加入归一化。这样做的主要目的是为了加快模型收敛速度。假设特征在经过卷积层后没有经过归一化的数据如下图分布（xx表示数据点），用sigmoid函数作为激活函数。那么在不经过归一化的时候数据所在的分布会使sigmoid的函数值接近0，这样会导致出现梯度消失的情况。假设在对经过卷积层的数据进行归一化后，数据分布如下图所示，分布会处在中间状态，si

首先，以输入特征数为2，样本数为1，层数为2的神经网络举例子（隐藏层1层+输出层1层）激活函数为sigmoid函数所以有以下的网络一般输入层不算入层数，在这里写为第0层。第0层有两个输入特征，1个样本数，所以矩阵维度为[2,1]第1层有4个单元数，所以矩阵维度的第一维为4，第二维为前一层的单元数（即第0层），所以第1层的矩阵维度为[4,2]第2层有1个单元数，所以矩阵维度的第一维为1，第二维为前一