学好实变和测度论对机器学习是很有帮助的。对于暂时没有这些数学背景的同学，可以安全的把概率测度(probability measure)理解为概率分布(probability distribution)，只要关心的空间是。2个概率分布之间的距离有很多种描述方式，一个比较脍炙人口的是KL divergence:尽管它严格意义上不是一个距离(比如不满足对称性)。q只是p的一个微小平移，但当平移量趋于0时

Ubuntu20.04深度学习GPU环境配置首先将NVIDIA驱动安装好，这是一切开始的前提！！！！1.背景深度学习环境配置真是令人头大的一件事，在配置的过程中遇到了很多坑，大概配置了一两天，感觉是我配置环境以来最繁杂的一次了，各种坑，网上也有很多教程但是实现起来各种ERROR，真心觉得累。经过差不多两天的时间终于把环境配置好。（手动狗头保命）2.硬件与软件版本显卡：GeForce GTX 306

设输出图片大小为1280，768，类别个数为2，则yolov5输出的三种特征图，其维度分别为：[1,3,96，160，7]，[1,3,48,80,7]，[1,3,24,40,7]；相当于yolov5模型总共输出（96160+4880+24*40）*3=60480个目标框；

BASNET：边界感知的显著目标检测摘要采用深卷积神经网络进行显著目标检测，取得了较好的效果。然而，以前的工作大多侧重于区域精度，而不是边界质量。在本文中，我们提出了一种预测-细化体系结构Basnet和一种新的边界感知显著目标检测的混合损失。具体而言，该体系结构由密集监督编解码器网络和残差细化模块组成，分别负责显著性预测和显著性图细化。混合损失通过融合二进制交叉熵(BCE)、结构相似性(SSIM)

【代码】【python脚本】cv2.putText不显示中文，显示为？？？？？？？解决方案，亲测有效。

Ubuntu20.04深度学习GPU环境配置首先将NVIDIA驱动安装好，这是一切开始的前提！！！！1.背景深度学习环境配置真是令人头大的一件事，在配置的过程中遇到了很多坑，大概配置了一两天，感觉是我配置环境以来最繁杂的一次了，各种坑，网上也有很多教程但是实现起来各种ERROR，真心觉得累。经过差不多两天的时间终于把环境配置好。（手动狗头保命）2.硬件与软件版本显卡：GeForce GTX 306

批量实现文件夹下xml文件可视化展现结果。

【代码】【python脚本】cv2.putText不显示中文，显示为？？？？？？？解决方案，亲测有效。

转载至亲测可用。

设输出图片大小为1280，768，类别个数为2，则yolov5输出的三种特征图，其维度分别为：[1,3,96，160，7]，[1,3,48,80,7]，[1,3,24,40,7]；相当于yolov5模型总共输出（96160+4880+24*40）*3=60480个目标框；