<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[XDXDXDXDX111的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/XDXDXDXDX111</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; XDXDXDXDX111]]></copyright><item><title><![CDATA[层归一化（Layer Normalization, LN）和批量归一化（Batch Normalization, BN）两者的区别]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/144197924</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/144197924</guid><author>XDXDXDXDX111</author><pubDate>Mon, 02 Dec 2024 20:37:43 +0800</pubDate><description><![CDATA[尽管 BN 和 LN 都是归一化技术，但他们处理数据的方式不同。BN 通过对每批数据进行归一化来提高大规模数据处理的效果，而 LN 则是针对单个数据点进行操作，更适合批量大小不一或者需要处理时间序列数据的应用。因此，选择哪种归一化技术取决于具体的应用场景、数据类型和模型结构。]]></description><category></category></item><item><title><![CDATA[可变形卷积、空洞卷积（能使感受野更大的特殊卷积核）]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/134421767</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/134421767</guid><author>XDXDXDXDX111</author><pubDate>Wed, 15 Nov 2023 15:47:39 +0800</pubDate><description><![CDATA[一：可变形卷积：在感受野中引入了可学习的偏移量，能够使得感受野不再是死板的方形，而是与物体的实际形状贴近，偏移之后的卷积区域可以更好地去覆盖物体形状周围。的卷积核只能覆盖面积为9的区域，而相同参数量的空洞卷积则可以覆盖面积为 25 的感受野。普通卷积核，除了中间带红点的位置权值不为 0 并参与卷积计算外，其他点的权值均为 0，对卷积计算结果不会做出贡献。（1）扩大感受野：使用空洞卷积可以使得参数量相同的情况下，增加卷积的感受野，原本。卷积核，图（b）是一个空洞参数为 2（参与计算的相邻元素之间的距离）的。]]></description><category></category></item><item><title><![CDATA[YOLOv5中Focus块与6x6卷积块之间的联系与对比]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/134421115</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/134421115</guid><author>XDXDXDXDX111</author><pubDate>Wed, 15 Nov 2023 15:35:54 +0800</pubDate><description><![CDATA[但作者可能是因为训练过程中图片数量较多，Focus结构对图片进行拆分提取再堆叠这个过程没有直接conv的计算高效（对于现有的一些GPU设备以及相应的优化算法，使用6x6的conv更高效），所以才在yolov6.0的版本中把Focus换成了6x6的conv。Focus结构将原图切分并堆叠在一起，再用3x3的conv进行特征提取，Focus结构与一个6x6的conv的感受野、计算量以及参数量是相同的，所以在理论上与6x6的conv完全等价。下面介绍为什么k=6卷积层在理论上等价于Focus结构。]]></description><category></category></item><item><title><![CDATA[YOLOv5中anchors设定的解释]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/134023677</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/134023677</guid><author>XDXDXDXDX111</author><pubDate>Tue, 24 Oct 2023 22:43:56 +0800</pubDate><description><![CDATA[最初的YOLOv1的初始训练过程很不稳定，在YOLOv2的设计过程中，作者观察了大量图片的真实标签（ground truth），发现相同类别的目标实例具有相似的gt长宽比：比如车，gt都是矮胖的长方形；比如行人，gt都是瘦高的长方形。这些值通常是通过几何算法在数据上看到的（如K-Means）得到的，以适应特定的数据集和任务。在训练过程中，模型会根据这些锚来预测目标的位置。"Anchors" 是一组先验框的宽度和高度，这些先验框会在图像中的每个单元框格上进行偏移和缩放，以生成目标的候选框。]]></description><category></category></item><item><title><![CDATA[深度学习中Epoch、Batch和Batch size的定义和设置]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133926910</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133926910</guid><author>XDXDXDXDX111</author><pubDate>Thu, 19 Oct 2023 14:57:47 +0800</pubDate><description><![CDATA[在一个Epoch中，所有的训练样本都会被用于前向传播和逆向传播，以更新神经网络的权重一个Epoch通常包括多个Batch（批次）的迭代。通常，人们会进行实验来找到最佳的Epoch数量和批量大小，得出最佳的模型性能一般建议的做法是使用常见的Batch size，如16、32或64，然后根据实验结果进行调整。：观察模型的训练曲线，增大的Batch size通常会更快地收敛，但在训练中的性能可能不如较小的Batch size。：较小的批量大小需要很少的内存，适用于内存有限的环境。]]></description><category></category></item><item><title><![CDATA[深度学习——Python搭建虚拟环境的完整步骤]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133898877</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133898877</guid><author>XDXDXDXDX111</author><pubDate>Wed, 18 Oct 2023 10:17:24 +0800</pubDate><description><![CDATA[打开cmd,输入下面的指令，就可以看到CUDA版本号了，我的CUDA版本为11.3。在弹出的界面中，首先点击左侧的 conda 环境，再将解释器设置为 Anaconda。二、创建名为“环境名”的虚拟环境，并指定 Python 的版本。六、 可以列出当前环境下的所有库，需要什么库可以自主下载。三、进入（激活）名为“环境名”的虚拟环境。七、在PyCharm中使用刚才配置好的环境。在设置的虚拟环境下，输入下面这串指令。的环境中，接下来的命令均在。四、查看CUDA版本。虚拟环境解释器的地址。]]></description><category></category></item><item><title><![CDATA[深度学习中Top-1和Top-5分别代表的含义和评价标准]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133763373</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133763373</guid><author>XDXDXDXDX111</author><pubDate>Wed, 11 Oct 2023 11:07:02 +0800</pubDate><description><![CDATA[在图像分类任务中，TOP-1 准确率表示模型在给定的测试数据集上正确分类的图像所占的比例。具体而言，对于每张测试图像，模型会给出一个类别的预测结果，而 TOP-1 准确率是指模型的预测结果中的第一个（概率最高）预测是否与实际标签相符的比例。总之，TOP-1 准确率和 TOP-5 准确率是用于突发深度学习模型在图像分类任务中的性能的常见指标，它们描述了模型的分类准确程度。在Top-5正确率中，模型会给出前五个最高概率的预测结果，图像被认为是正确分类的前提是实际标签出现在这五个预测中的任何一个中。]]></description><category></category></item><item><title><![CDATA[OpenCV常用的函数和操作]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133580955</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133580955</guid><author>XDXDXDXDX111</author><pubDate>Thu, 05 Oct 2023 16:31:19 +0800</pubDate><description><![CDATA[【代码】OpenCV常用的函数和操作。]]></description><category></category></item><item><title><![CDATA[PCA的详细解释以及基于PCA实现鸢尾花数据集降维【源程序和效果图】]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133547528</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133547528</guid><author>XDXDXDXDX111</author><pubDate>Wed, 04 Oct 2023 11:36:06 +0800</pubDate><description><![CDATA[大家可以去学习文档和视频两种不同的形式解释。]]></description><category></category></item><item><title><![CDATA[Python中Pandas库提供的函数——pd.DataFrame的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133523012</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133523012</guid><author>XDXDXDXDX111</author><pubDate>Tue, 03 Oct 2023 17:28:19 +0800</pubDate><description><![CDATA[DataFrame可以从各种数据源导入数据，如CSV文件、Excel表格、SQL数据库等，并且可以将数据导出为不同格式的文件。：DataFrame提供了丰富的数据操作方法，包括数据筛选、切片、合并、分组、聚合、排序等。：您可以对DataFrame进行各种数据转换操作，如数据类型转换、列重命名、数据透视表等。：DataFrame提供了处理数据中的恢复值的方法，如删除恢复值或恢复恢复值。方法来查看DataFrame的前几行数据，以了解数据的结构和内容。数据框、访问数据、进行数据操作和分析的方法和属性。]]></description><category></category></item><item><title><![CDATA[深度学习——线性代数的基础]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133514172</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133514172</guid><author>XDXDXDXDX111</author><pubDate>Tue, 03 Oct 2023 15:24:17 +0800</pubDate><description><![CDATA[一、基础概念（标量、向量、矩阵、张量）一、基础概念（标量、向量、矩阵、张量）(1).标量：标量是数学和中的一个基本概念，它是一个没有方向的、只有大小的量。标量通常用普通的数字来表示，如5、10、-3.14等。在数学数学表达式中，标量通常用斜体字母表示，如a、b、c等。(2).向量：表示一列数，这些数有序排列的，可以通过下标获取对应值，通常⽤粗体小写字母表示，它表示元素取实数，且有n个元素，第⼀个元素表⽰为：x1。]]></description><category></category></item><item><title><![CDATA[深度学习——Dropout的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133376625</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133376625</guid><author>XDXDXDXDX111</author><pubDate>Thu, 28 Sep 2023 10:28:12 +0800</pubDate><description><![CDATA[Dropout是一种在学习的过程中随机删除神经元的方法。训练时，随机选出隐藏层的神经元，然后将其删除。被删除的神经元不再进行信号的传递，如下图所示。训练时，每传递一次数据，就会随机选择要删除的神经元。然后，测试时，虽然会传递所有的神经元信号，但是对于各个神经元的输出， 要乘上训练时的删除比例后再输出。Dropout的核心思想是在训练神经网络时，随机地关闭一些神经元（或节点）它们以及与下一层神经元之间的连接。]]></description><category></category></item><item><title><![CDATA[Python中NumPy库提供的函数——np.random.uniform的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133324000</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133324000</guid><author>XDXDXDXDX111</author><pubDate>Tue, 26 Sep 2023 21:19:38 +0800</pubDate><description><![CDATA[通过这些随机生成的超参数值，可以进行超参数搜索（超参数调整），尝试不同的超参数组合来找到模型的最佳配置。在每个次迭代中，使用不同的超参数值来训练模型，然后根据模型在验证集上的性能选择最佳的超参数组合。这个随机数的范围是从10的负6次方到10的负2次方之间，它通常被用来学习学习率（learningrate）超参数。这个随机数的范围是从 10 的负 8 次方到 10 的负 4 次方之间，它通常被用来正则化（重量衰减）超参数。：指定均匀分布的上限（不包含元素），生成的随机数可能的峰值。]]></description><category></category></item><item><title><![CDATA[Python中NumPy库提供的函数——np.random.permutation的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133323654</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133323654</guid><author>XDXDXDXDX111</author><pubDate>Tue, 26 Sep 2023 21:03:13 +0800</pubDate><description><![CDATA[是 NumPy 库中的一个函数，用于返回一个随机排列（重置）给定的副本的副本。与不同的情况，不会修改原始副本，而是返回一个新的副本，其中包含原始副本元素的随机排列。其中，x是要随机排列的数组或整数。如果x是一个整数n，则函数将返回一个包含范围[0, n)内整数的随机排列。可以用于数据的随机化，生成随机的索引顺序，也可以用于生成经常随机的样本或数据排列。这在数据处理和深度学习中有用。]]></description><category></category></item><item><title><![CDATA[Python中NumPy库提供的函数——np.random.shuffle的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133322407</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133322407</guid><author>XDXDXDXDX111</author><pubDate>Tue, 26 Sep 2023 20:42:27 +0800</pubDate><description><![CDATA[是NumPy库中的一个函数，用于随机打乱数组的元素顺序。具体来说，它对排序的数组进行原地（in-place）的随机重排序，打乱数组中元素的排列顺序，以排列随机。其中，x是要打乱顺序的磁盘。请注意，该函数是在原始磁盘上进行操作，不会返回新的磁盘，因此会修改磁盘的磁盘x。主要用于数据集的随机化，例如，在训练深度学习模型时，可以用它来打乱训练样本的顺序，以保证模型不会受到数据顺序的影响。注意，这个函数不会改变数据库的形状或维度，只是重新排列元素的顺序。如果创建需要一个新的随机排列的数据库，可以先使用函数。]]></description><category></category></item><item><title><![CDATA[PyTorch: Tensor的解释以及Tensor的常用操作]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133311897</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133311897</guid><author>XDXDXDXDX111</author><pubDate>Tue, 26 Sep 2023 15:38:19 +0800</pubDate><description><![CDATA[例如，图像可以表示为三维张量（高度、宽度、通道数），文本可以表示为二维张量（批量大小、计算表大小），模型的权重和偏置也是张量。“Tensor”（张量）是数学和计算机科学中常见的一个概念，它是一个多维数据库，可以包含各种数据类型的元素。例如，一维张量是支持的，二维张量是矩阵，三维张量可以是多个矩阵的集合，以此类推维度也被称为“排名”（Rank），一维张量的排名为1，二维张量的排名为2，依此类推。总之，张量是多维数组的抽象概念，它在深度学习和数学计算中扮演着重要的角色，用于表示和处理多维数据。]]></description><category></category></item><item><title><![CDATA[Python中PyTorch库提供的函数——torch.max的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133267658</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133267658</guid><author>XDXDXDXDX111</author><pubDate>Mon, 25 Sep 2023 10:16:08 +0800</pubDate><description><![CDATA[是一个 PyTorch 函数，可让您计算 PyTorch 张量指定维度上的最大值及其相应索引。以下是 的基本用法torch.max()计算输入张量 沿维度 0（沿列）的最大值及其相应索引。计算输入张量 沿维度 1（沿行）的最大值及其相应索引。]]></description><category></category></item><item><title><![CDATA[Python中NumPy库——访问数组切片的介绍]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133240703</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133240703</guid><author>XDXDXDXDX111</author><pubDate>Sun, 24 Sep 2023 15:13:38 +0800</pubDate><description><![CDATA[这通常用于构建一个小型训练批次（mini-batch），以便在神经网络训练中使用。（2）x_train[:3]使用切片操作，选择了前3个样本。切片操作[:3]表示从数据集的开始位置取出前3个元素（样本）。（1）在多维数据仓库中选择，可以使用多个切片对象来特定维度的子集。（1）x_train是训练数据集，通常包含多个样本，每个样本是一个输入数据。（2）结束索引：切片的结束位置（不包括该位置的元素）。（1）开始索引：切片的起始位置，默认为0。（3）步长：用于选择元素的间隔，默认为1。切片对象由冒号（ ）分隔。]]></description><category></category></item><item><title><![CDATA[Python中NumPy库提供的函数——np.random.randn的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133218853</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133218853</guid><author>XDXDXDXDX111</author><pubDate>Sat, 23 Sep 2023 21:53:12 +0800</pubDate><description><![CDATA[是NumPy中用于生成服从标准正态分布（均值为0，标准差为1）的随机数的函数。它生成的随机数遵循标准正态分布，也称为高斯分布。以下是使用运行结果：这将生成一个或多个服从标准正态分布的随机数。如果要生成服从不同均值和标准差的正态分布随机数，可以使用函数，它为您指定均值和标准差的参数请注意，生成的随机数是伪随机数，它们是通过确定性算法生成的，但通常在实际应用中足够随机。要使随机数生成具有确定性，可以设置随机种子，使用函数，此用于实验的可重复性非常重要。]]></description><category></category></item><item><title><![CDATA[Python中NumPy库提供的函数——np.random.choice的基本用法]]></title><link>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133217767</link><guid>https://blog.youkuaiyun.com/XDXDXDXDX111/article/details/133217767</guid><author>XDXDXDXDX111</author><pubDate>Sat, 23 Sep 2023 21:10:35 +0800</pubDate><description><![CDATA[它用于从给定数组或序列中进行随机采样。在上面的示例中，用于从data数组中随机选择元素。默认情况下，它选择一个元素，但您可以使用参数指定所需的样本数size。以下是一些常用参数asizereplaceFalsep常用于各种应用，包括机器学习中数据增强的随机采样、统计中的引导以及创建随机排列。]]></description><category></category></item></channel></rss>