ahjsd的博客

建议mmdet和ammdet分两个容器放，不然在使用两套代码时需要分别编译。安装的包 pypi.org下载torch==1.1.0pillow==5.4.1 opencv-python==3.4.2.16tqdmmmcv==0.5.6Cython==0.29.15torchvision==0.3.0numpyalbumentations==0.4.5imagecorruptions==1.0.0matplotlibpycocotools==2.0sixterminaltable

测试python3 tools/test.py configs/DOTA/faster_rcnn_RoITrans_r50_fpn_1x_dota.py AeriaDetectionModel/DOTA/faster_rcnn_RoITrans_r50_fpn_1x_data/epoch12.pth --out out/out1.pklpython3 tools/test.py configs/DOTA/faster_rcnn_RoITrans_r50_fpn_1x_dota.py AeriaDete

将数据集随机分为训练集和测试集原数据保存形式：处理后的数据保存形式：代码：import torchimport numpy as npimport torchvisionfrom torchvision import utils, transformsfrom torch.utils.data import DataLoaderfrom torch.autograd import Variablefrom model import my_resnet_18import osn

网络加深，精度会提高，但过深会产生梯度消失问题，此时精度达到饱和，可能还会下降。为了让模型能尽可能深，同时避免梯度消失（motivation），因此作者提出一个深度残差学习框架(deep residual learning framework)(idea)。深度残差学习残差模块输入：X有参网络层，比如AlexNet/VGG等：H输出：y = H（X）输入、输出之间的残差：H（X）- X残差块的输出：H（X） = F（X）+ X残差映射：F（X） = F（X, {W}）误差和残差的区别：误

模型的保存：方式一：保存整个模型model = resnet()#-------省略训练过程------------torch.save(model,path)方式二：只保存模型参数model = resnet()#-------省略训练过程---------------torch.save(model.state_dict,path)模型的加载：情况一：训练已经结束，测试时加载训练好的模型1、在训练的py文件下面直接对模型进行测试：model = resnet() #

科研小白的进阶之路——读论文找关键点科研小白在一只脚刚踏进科研之门时，都会有旅游刚刚到达一片全新的土地上的感觉，既新鲜，又想要最快的速度看遍这篇土地上的美景美人，科研也是一样。想要旅游，就必须做攻略，看看先去哪里玩儿，再去那里玩不会绕弯路；想要科研，就必须把一个大的科研方向分成小的子域，看看先学哪个部分，后学哪个部分，才能理解的更透彻更快。为了学习子域，必须将这个领域的论文进行阅读，那么，如何找到论文的关键点呢？一篇论文的motivation和idea是一篇好文章的精华，所谓必须知道从哪里来，想到哪里去

f(wx+b)之后的输出，没有归一化的输出值，作为logits。将logits进行softmax归一化，得到最后的结果。

AI芯片AI芯片：也被称为AI加速器或计算卡，即专门用于处理人工智能应用中的大量计算任务的模块。当前，AI芯片主要被分为GPU,FPGA（半定制化）,ASIC（全定制化）和类脑芯片。GPU（通用性芯片）：具备通用性、性能高、功耗高。无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独使用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，可调用GPU进行并行计算...