Python 手动实现三层神经网络(梯度下降法)最近在学习人工神经网络，由于是第一次入门这个，还是遇到了一些困难。要想真正了解BP网络的原理，最好是有代码手动实现其过程。当我在网上查阅相关代码的时候，发现许多代码对新手不太友好，要么过于简洁，要么用了框架。针对上面的这种情况，我觉定把我这段时间学到的代码及原理进行整理一下。关于梯度下降法的原理，还是有必要在这里简单介绍一下，如果看不太懂的话建议先去

前面已经将模型训练好了，并将权重文件保存在weights文件夹中，接下来可以利用predict脚本对模型做一个简单的预测，看一下模型的预测效果。首先就是导入之前训练的模型，并加载权重。注意这里归一化的均值和方差一定要填写你训练时候的均值和方差。然后填写对应的权重路径和图像路径，和预测结果的保存路径。本次预测的图像为：将以上准备工作做好之后就可以运行脚本来进行预测。主要的思路就是将图片归一化之后送入

CF1w张人工标注的数据集，帮你训练目标检测网络。标了一个多月，有偿出售，白嫖勿扰。

CF1w张人工标注的数据集，帮你训练目标检测网络。标了一个多月，有偿出售，白嫖勿扰。

数据集组成网络训练的第一步就是读取数据，关于输入图片如何读取，如何进行预处理，将会在本篇文章中进行演示。首先需要了解的是，语义分割中图片和标签是分别保存的。以voc数据集为例，它有20个类别，加上背景总共21个类别。其中，JPEGImages文件夹下存放的是输入图片，它们都是JPG格式。每张图片都是R,G,B三通道，其像素值在0-255之间。SegmentationClass文件夹下存放的是标签，

DarkNet53是Yolov3的主干网，当我们想拿来做分割或者分类的时候需要将其单独编写出来，并加载预训练的权重。我在网上找了挺久，不知道为什么权重文件都是.weights或者.conv结尾的，这样的文件貌似pytorch无法直接加载，所以本文给大家分享一下它的预训练权重，大家有需要的可以来下载：链接：https://pan.baidu.com/s/1n6PRMSQGtdWzQqkyYTDc5w

众所周知，Yolo v2最大的改进就是锚框机制，并且锚框的生成不是和以前靠经验所得，而是通过更加科学K-Means聚类获得的。那么这个Anchor是如何与yolo相结合的呢？首先来了解一下锚框机制，锚框（Anchor）就是预设好的一堆虚拟的框，它们的尺寸和大小是固定的，但是它们与物体的真实标注框（GT）存在一些差异。人为设置锚框参数时要尽量使它能够贴近真实框。我们期望锚框是接近于真实框的，但是这显

前面已经将模型训练好了，并将权重文件保存在weights文件夹中，接下来可以利用predict脚本对模型做一个简单的预测，看一下模型的预测效果。首先就是导入之前训练的模型，并加载权重。注意这里归一化的均值和方差一定要填写你训练时候的均值和方差。然后填写对应的权重路径和图像路径，和预测结果的保存路径。本次预测的图像为：将以上准备工作做好之后就可以运行脚本来进行预测。主要的思路就是将图片归一化之后送入

在处理S3DIS的txt文件时候会遇到几个bug.在Stanford3dDataset_v1.2这个版本中 的Area_5\office_19\ceiling_1，路径如下\S3DIS\Stanford3dDataset_v1.2\Area_5\office_19\Annotations\ceiling_1.txt会存在字符串，导致代码老是出错，经过查找发现在323474行，需要手动删除在Stan

torch-points3d是一个点云工具箱，里面集成了分割检查分类等一系列点云网络，我们需要使用的时候可以直接调用他们，就可以一键运行他们，非常方便。但是这个是在linux里面安装会比较方便，windows无法直接安装上去，需要一些安装经验才能安装上去。下面分步骤分享一下我的安装经验：1. VC2017安装这个库需要编译c语言的代码，所以要安装VC2017。有2019的需要卸载了装这个版本的。2