1 模型的输出基本上分为3种情况，当然还有其它的：（1）分类：2分类，多分类，对应输出为一个预测向量，可以是1个，两个，多个（2）目标检测：对应二维矩阵m*n,m行代表有m个目标，n列代表n个特征预测值，x,y,类别类型。（3）语义分割：2 二分类sigmoid输出通道维度是1，用sigmoid输出通道维度是2，用softmax3 多分类多分类用softmax，同时注意算不算背景，多分类考虑不考虑

这里写目录标题1输入层2卷积层3池化层（下采样层）4上采样层5拉直层6全连接层7分类层8输出层1输入层2卷积层3池化层（下采样层）4上采样层5拉直层Flatten6全连接层Dense7分类层8输出层

深度学习的一些原理卷积计算这个就是普通的卷积计算原理，输入有3个通道，输出有2个通道，没加激活函数等。如上图所示，输入有3个通道，输出有2个通道，也就是有2个卷积核（一个卷积核就是322）。对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！（1）参数量就是：输入通道数卷积核的宽度卷积核的高

这里写目录标题1输入层2卷积层3池化层（下采样层）4上采样层5拉直层6全连接层7分类层8输出层1输入层2卷积层3池化层（下采样层）4上采样层5拉直层Flatten6全连接层Dense7分类层8输出层

目标检测1 原理1.1什么是目标检测1.2传统方法1.3深度学习1.3.1两阶段目标检测1.3.2单阶段目标检测1.3.3基于单阶段、双阶段目标检测算法的结合1.4 4个问题1.5 常见俗语二级目录三级目录2 数据集3 常见网络3.1 两阶段目标检测网络3.2 单阶段目标检测网络4 评价指标4.1模型大小4.2处理时间4.2.1 训练时长4.2.2 检测速度（帧/s）4.3准确率5 练习实现参考文

相加是把对应特征图上的数加起来拼接是Concatenate，比如在YOLOv3的主干网络Darknet-53中用到了拼接

目录1 R-CNN1.1 简介1.2 结构1.3 特点2 实现1 R-CNN1.1 简介1.2 结构1.3 特点2 实现

衡量一个模型的好坏，首先需要确定指标体系，目前常用的指标有如下几个：TPFPTNFN准确率精度召回率APMAPIOUMIOURP曲线：PR = Precision vs Recall信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式...

Faster R-CNN1 Faster R-CNN1.1 简介1.2 结构1.3 特点1.4 训练1.5 结果2 代码3 总结1 Faster R-CNN1.1 简介faster rcnn是何凯明等大神在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一。该算法在fast rcnn基础上提出了RPN候选框生成算法，使得目标检测速度大大提高。在Fast R-C

Overfeat1 Overfeat1.1 简介1.2 结构1.3 特点1 Overfeat1.1 简介OverFeat 是早期经典的 One-Stage 目标检测的算法。这篇论文使用了很少的改动，把同一个 CNN 网络用到了三个计算机视觉的任务上（分类，定位，检测）。论文链接：https://arxiv.org/pdf/1312.6229.pdf1.2 结构https://blog.csdn.n