1：const 是常量数据类型，存处在程序的数据段，define只是进行文本的替换，存在与程序的代码区；2：内敛函数，不需要寻址的过程，函数直接展开，所以不会跳跃，比较快，在编译的时候复制代码；3：struct的默认继承是public的，class的默认继承是private；4：typedef主要用来定义新的数据类型，define主要用来定义变量；我们平常所求的变量地址这里是逻辑关系，真实的物理地

fasterRCNN 的框架proposal层的scope图特征map层可以使用stride=8的和stride=16的，卷积核可以使用小点的32或者64的卷积核；最后用一个fc层就可以了！

RFCN中PSROIPooling的代码：     每一层表示的是一种特征，输入是7*7*2*ROI_area, 输出是7*7*2的大小的卷积核；把每一层的特征相加得到一个特征，总共49层可以的得到7*7的大小的map，之后ROI的框内采用插值的方式，得到7*7*2的特征map；    开始进入ROI pooling操作了，上面一层，有两个输入：rfcn_cls（1*98*38*63）是预...

1：anchor_target_Layer函数功能    该函数生成anchors，之后随机的挑选256个anchors，包含正负样本的总和256个anchors，之后计算这256个anchors的去回归出来预测框，正样本有预测框，负样本没有预测的框，之后把这256个预测的anchors去计算softmaxLoss和SmoothL1Loss；第一个阶段的loss反向传播，该层只是生成了rpn_la

多任务损失（来自Fast R-CNN） multi-task数据结构Fast R-CNN网络有两个同级输出层（cls score和bbox_prdict层），都是全连接层，称为multi-task。① clsscore层：用于分类，输出k+1维数组p，表示属于k类和背景的概率。对每个RoI（Region of Interesting）输出离散型概率分布通常，p由k+1类的全连接层利用softmax

linux下安装pycharm遇到的问题

下面我将为你提供一个完整的Python实现，使用PyTorch框架来构建多头注意力机制。2. **MultiHeadAttention**：实现了多头注意力机制，包括线性变换、分割头、注意力计算和合并头。3. **Example usage**：示例代码展示了如何使用多头注意力机制，并打印输出和注意力权重的形状。1. **ScaledDotProductAttention**：实现了缩放点积注意力

300W 数据集是一个非常通用的人脸对齐数据集，也是近年来凡paper，都要出指标比对的必然数据集。该数据集共计3148+689张图像，每个图像上包含不止一张人脸，但是对于每张图像只标注一张人脸。该数据集包含的文件目录为：afw(337)，helen(train 2000+test 330)，ibug(1...

全连接层的推导全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。全连接层的前向计算下图中连线最密集的2个地方就是全连接层，这很明显的可以看出全连接层的参数的确很多。在前向计算过程，也就是一个线性的加权求和的过程，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数W，最后加上一个偏置值b得到，即 。如下图中第

写的比较好，我就保存一下：http://blog.csdn.net/Jesse_Mx/article/details/78680055mobilenet 也算是提出有一段时间了，网上也不乏各种实现版本，其中，谷歌已经开源了Tensorflow的全部代码，无奈自己几乎不熟悉Tensorflow，还是比较钟爱Caffe平台，因而一直在关心这方面。单纯的Mobilenet分类不是关注重点，如何将其应用到