<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dear_learner的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dear_learner</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dear_learner]]></copyright><item><title><![CDATA[组卷积和深度可分离卷积]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/127125077</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/127125077</guid><author>Dear_learner</author><pubDate>Fri, 30 Sep 2022 16:35:43 +0800</pubDate><description><![CDATA[图b表示深度卷积，图c表示分点卷积，两者合起来就是深度可分离卷积，深度卷积负责滤波，尺寸为Dk×Dk×1，共M个，作用在输入的每个通道上；第一张图是标准的卷积操作，若输入的特征图是H×W×c1，卷积核的尺寸为h1×w1×c1，输出特征图的尺寸为H×W×c2,那么标准卷积层的参数量为h1×w1×c1×c2。图a表示标准卷积，假设输入的特征图尺寸为Df×Df×M，卷积核尺寸为Dk×Dk×M，输出特征图的尺寸为Df×Df×N，标准卷积层的参数量为Dk×Dk×M×N。]]></description><category></category></item><item><title><![CDATA[argparse用法总结]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/126266692</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/126266692</guid><author>Dear_learner</author><pubDate>Wed, 10 Aug 2022 15:34:42 +0800</pubDate><description><![CDATA[argparse是python自带的命令行参数解析包，可以用来方便的读取命令行参数，当代码需要频繁的修改参数时，使用这个工具可以将参数和代码分开，让代码更简洁，适用范围更广。]]></description><category></category></item><item><title><![CDATA[__all__变量用法]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/125676725</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/125676725</guid><author>Dear_learner</author><pubDate>Fri, 08 Jul 2022 13:44:56 +0800</pubDate><description><![CDATA[__all__变量的用法]]></description><category></category></item><item><title><![CDATA[xml.etree.ElementTree解析xml文件]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/125645391</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/125645391</guid><author>Dear_learner</author><pubDate>Wed, 06 Jul 2022 18:37:31 +0800</pubDate><description><![CDATA[xml.etree.ElementTree解析xml文件]]></description><category></category></item><item><title><![CDATA[labelimg的安装与使用]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/125626045</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/125626045</guid><author>Dear_learner</author><pubDate>Tue, 05 Jul 2022 19:07:43 +0800</pubDate><description><![CDATA[labelimg的安装]]></description><category></category></item><item><title><![CDATA[Pycharm连接远程服务器]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/125537045</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/125537045</guid><author>Dear_learner</author><pubDate>Thu, 30 Jun 2022 11:31:55 +0800</pubDate><description><![CDATA[pycharm链接远程服务器]]></description><category></category></item><item><title><![CDATA[pandas 用法总结]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/125073570</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/125073570</guid><author>Dear_learner</author><pubDate>Sat, 04 Jun 2022 22:10:56 +0800</pubDate><description><![CDATA[pandas 是基于numpy构建的，让以numpy为中心的应用变得更加简单。
一、pandas的两种数据结构
1、Series
Series是一种类似于一维数组的对象，它是由一组数据（各种Numpy数据类型）以及与之相关的数据标签（即索引组成）。仅由一组数据即可产生最简单的Series。
Series的字符串表现形式为：索引在左边，值在右边。由于没有设定索引，会自动创建由0到N-1的整数型索引。可以通过Series的values和index属性来获取数组的表示形式和索引对象。
对Series的各个数据点设]]></description><category></category></item><item><title><![CDATA[numpy 用法总结]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/125018228</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/125018228</guid><author>Dear_learner</author><pubDate>Tue, 31 May 2022 20:44:31 +0800</pubDate><description><![CDATA[简介
numpy 是Numerical Python的简称，是高性能的科学计算和数据分析的基础包，包含了大量的矩阵和数组的计算函数。下面来详细了解一下numpy的用法。
# 安装 numpy
pip install numpy
# 查看numpy的版本
numpy.__version__
# 导入numpy
import numpy as np

一、创建ndarray
ndarray：numpy中最基础的数据结构，一种多维的数组对象。
创建数组最简单的方法是使用array函数，它接受一切序列的对象，然后产]]></description><category></category></item><item><title><![CDATA[matplotlib 画图总结]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/124810057</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/124810057</guid><author>Dear_learner</author><pubDate>Wed, 25 May 2022 23:51:45 +0800</pubDate><description><![CDATA[写在前面：好久没用到matplotlib，最近用到的时候发现有些点已经忘了还得查资料，所以趁此机会把matplotlib中常用到的画图方法总结一下！
matplotlib 官网
matplotlib是python中非常实用的一个模块，可以使用matplotlib绘制各种各样的图形，比如折线图、散点图、直方图、条形图、饼图、雷达图等。在python中安装和导入matplotlib包如下：
# 安装
pip install matplotlib
# 导入
import matplotlib.pyplot as ]]></description><category></category></item><item><title><![CDATA[Pytorch学习笔记十七：模型的保存与加载]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/124562200</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/124562200</guid><author>Dear_learner</author><pubDate>Fri, 06 May 2022 11:46:00 +0800</pubDate><description><![CDATA[一、模型的保存与加载
当我们的模型训练好之后是需要保存下来，以备后续的使用，那么如何保存和加载模型呢？下面就从三个方面来理解一下。
1、序列化与反序列化
序列化是指内存中的某一对象保存到硬盘中，以二进制的形式存储下来，这就是一个序列化的过程；反序列化就是将硬盘中的存储的二进制数反序列化到内存中，得到一个相应的对象，这样就可以再次使用这个模型了。如下图所示：

序列化和反序列化的目的就是将模型保存并再次使用。
pytorch中序列化和反序列化的方法：
torch.save(obj, f)：obj表示对象，也就]]></description><category></category></item><item><title><![CDATA[YOLO9000: Better, Faster, Stronger论文解读]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/124430180</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/124430180</guid><author>Dear_learner</author><pubDate>Tue, 03 May 2022 14:31:50 +0800</pubDate><description><![CDATA[论文：链接
代码：链接

]]></description><category></category></item><item><title><![CDATA[Pytorch学习笔记十六：正则化]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/124140775</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/124140775</guid><author>Dear_learner</author><pubDate>Tue, 03 May 2022 14:00:17 +0800</pubDate><description><![CDATA[一、weight decay（权值衰减）
正则化（regularization）：减小方差的策略。
那什么是方差呢？
误差 = 偏差 + 方差 + 噪声
偏差：度量了学习算法的期望预测与真实结果之间的偏离程度，即刻画了学习算法的拟合能力；
方差：度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响；
噪声：表达了当前任务上任何学习算法所能达到的期望泛化误差的下届。
可从下图来理解：


...]]></description><category></category></item><item><title><![CDATA[二分查找算法]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/124496312</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/124496312</guid><author>Dear_learner</author><pubDate>Fri, 29 Apr 2022 16:49:34 +0800</pubDate><description><![CDATA[Although the basic idea of binary search is comparatively straightforward, the details can be surprisingly tricky...

这句话的理解是：思路很简单，细节是魔鬼
下面从一些细节来分析二分查找的几个常用场景：寻找一个数，寻找左侧边界、寻找右侧边界
一、二分查找的框架
def BinarySearch(nums, target):
    left = 0
    right = ...
    w]]></description><category></category></item><item><title><![CDATA[pytorch学习笔记十五：Hook函数与CAM可视化]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/124029276</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/124029276</guid><author>Dear_learner</author><pubDate>Sun, 10 Apr 2022 21:43:34 +0800</pubDate><description><![CDATA[一、hook函数

]]></description><category></category></item><item><title><![CDATA[pytorch学习笔记十四：TensorBoard]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/123834546</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/123834546</guid><author>Dear_learner</author><pubDate>Thu, 07 Apr 2022 22:54:33 +0800</pubDate><description><![CDATA[一、TensorBoard的简介与安装
TensorBoard是Tensorflow中强大的可视化工具，支持标量、图像、文本、音频和 Embedding 等多种数据可视化。可以在模型的训练过程中绘制loss曲线，监控模型的训练效果，也可以对模型的参数分布，数据分布，图像、音频等各种数据的可视化。下面是TensorBoard的一个界面：

TensorBoard是如何显示这个界面的呢？下面来看一下TensorBoard的运行机制

从上图中可看出先从python脚本中记录需要可视化的数据，然后生成eventf]]></description><category></category></item><item><title><![CDATA[pytorch学习笔记十三：学习率的调整策略]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/123674255</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/123674255</guid><author>Dear_learner</author><pubDate>Mon, 28 Mar 2022 23:38:01 +0800</pubDate><description><![CDATA[pytroch中常见的学习率调整策略

]]></description><category></category></item><item><title><![CDATA[pytorch学习笔记十二：优化器]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/123219459</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/123219459</guid><author>Dear_learner</author><pubDate>Tue, 22 Mar 2022 22:50:26 +0800</pubDate><description><![CDATA[前言
机器学习中的五个步骤：数据 ——&gt; 模型 ——&gt; 损失函数 ——&gt; 优化器 ——&gt; 迭代训练，通过前向传播，得到模型的输出和真实标签之间的差异，也就是损失函数，有了损失函数之后，模型反向传播得到参数的梯度，接下来就是优化器根据这个梯度去更新参数，使得模型的损失不断降低，那么优化器是如何做到的呢？分别从三个方面了解一下，优化器的概念，优化器的属性和方法，常用的优化器。
一、什么是优化器
pytorch的优化器：管理并更新模型中可学习参数的值，使得模型输出更接近真实标签。
在更新参]]></description><category></category></item><item><title><![CDATA[Batch Normalization: Accelerating Deep Network Training b y Reducing Internal Covariate Shift论文解读]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/123518238</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/123518238</guid><author>Dear_learner</author><pubDate>Wed, 16 Mar 2022 21:41:03 +0800</pubDate><description><![CDATA[论文：链接
前言
机器学习中有个很重要的假设：IID 独立同分布假设，就是假设训练数据和测试数据是满足相同的分布，这是通过训练数据获得的模型在测试数据上表现效果好的一个基本保障，也就是说模型的泛化能力。那BatchNorm的作用是什么呢？BatchNorm就是在深度神经网络的训练过程中使得每一层神经网络的输入保持相同的分布。
其实BatchNorm的提出也是为了解决深度神经网络训练困难的问题，像Relu、residual network也是为了解决这一问题的。
Q：为什么深度神经网络随着网络深度的加深，训练]]></description><category></category></item><item><title><![CDATA[yolov1代码解读]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/123471940</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/123471940</guid><author>Dear_learner</author><pubDate>Tue, 15 Mar 2022 14:08:56 +0800</pubDate><description><![CDATA[前面已经对yolov1的原理做了一个了解，下面就来看一下yolov1的代码实现过程
yolov1的代码倒是比Faster-Rcnn简单多了，但是一些逻辑顺序和Faster-Rcnn差不多
● pascal_voc.py:对图片数据和XML数据进行解析和预处理；
● yolo_net.py：搭建yolo v1网络，设置yolo v1的损失函数；
● train.py 和test.py ：一个用来训练模型，一个用来测试模型。
1、pascal_voc.py
这部分主要是解析xml文件，读取图片数据和对数据进行预]]></description><category></category></item><item><title><![CDATA[You Only Look Once: Unified, Real-Time Object Detection论文解读]]></title><link>https://blog.youkuaiyun.com/Dear_learner/article/details/123429224</link><guid>https://blog.youkuaiyun.com/Dear_learner/article/details/123429224</guid><author>Dear_learner</author><pubDate>Tue, 15 Mar 2022 14:07:08 +0800</pubDate><description><![CDATA[论文：链接
代码：TensorFlow版本
核心思想：将整张图片作为网络的输入，直接在输出层对BBox的位置和类别进行回归。
回顾：两阶段目标检测的实现过程：1、采用滑动窗口，对每个窗口进行分类和位置修正；2、用RPN网络提取候选区域，特征图对应的候选区域经过roipooling得到所需特征；3、SSD继承RPN类似的anchor机制，设定预设框并对每个预设框赋予groundtruth，全卷积网络训练目标。
1、网络结构

yolo的网络结构包含24个卷积层+2个全连接层组成。简单地说，就是将一张输入的图片]]></description><category></category></item></channel></rss>