<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ajkdghfa的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ajkdghfa</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ajkdghfa]]></copyright><item><title><![CDATA[SSD检测算法理解]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/121304379</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/121304379</guid><author>ajkdghfa</author><pubDate>Sat, 13 Nov 2021 14:56:44 +0800</pubDate><description><![CDATA[SSD检测算法理解简介1 SSD模型2 SSD算法的核心设计思想3 多尺度特征图检测思想4 单尺度特征图检测4.1 先验框的设置4.3 Loss计算5 性能评估欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出]]></description><category></category></item><item><title><![CDATA[Math Type格式的公式转换成优快云需要的LaTex格式]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/119705716</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/119705716</guid><author>ajkdghfa</author><pubDate>Sat, 14 Aug 2021 20:34:04 +0800</pubDate><description><![CDATA[Math Type格式的公式转换成LaTex格式
软件：MathType


将公式复制，然后粘贴即可
a2+b2
\sqrt {{a^2} + {b^2}} 
a2+b2​
在优快云上面粘贴时，需要将公式前面和后面的** " \]" **去掉 即可。

]]></description><category></category></item><item><title><![CDATA[目标检测指标TP、FP、TN、FN和Precision、Recall]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/119704589</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/119704589</guid><author>ajkdghfa</author><pubDate>Sat, 14 Aug 2021 18:46:32 +0800</pubDate><description><![CDATA[目标检测指标TP、FP、TN、FN，Precision、Recall
1. IOU计算
在了解Precision(精确度)、Recall（召回率之前我们需要先了解一下IOU(Intersection over Union，交互比)。交互比是衡量目标检测框和真实框的重合程度，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。一般来讲，当预测框和真实框IOU&gt;=0.5时，被认为是正样本。

IOU=SIntersectionSUnion=S2S1+S2+S3
IOU = \fr]]></description><category></category></item><item><title><![CDATA[torch.cat()与torch.stack()的区别]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/115395361</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/115395361</guid><author>ajkdghfa</author><pubDate>Fri, 02 Apr 2021 14:49:46 +0800</pubDate><description><![CDATA[torch.cat与torch.stack的区别
在讲两者区别的之前我们首先看一下官方的定义：


共同点：两个函数都是将tensor数据在指定的维度上进行一个拼接处理，并且要保证进行拼接前的数据形状是一样的
区别在于：torch.stack()处理之后会增加一个维度,torch.cat()处理之后维度不会变
看以下几个例子：
torch.stack()
&gt;&gt;&gt; a = torch.tensor([[1,2],[3,4]])
&gt;&gt;&gt; a.shape
torch.Size(]]></description><category></category></item><item><title><![CDATA[比较全的深度学习数据预处理方法]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/111387881</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/111387881</guid><author>ajkdghfa</author><pubDate>Fri, 18 Dec 2020 23:00:25 +0800</pubDate><description><![CDATA[这里写自定义目录标题当前被广泛用的预处理方法1、中心化/零均值化程序代码2、标准化/归一化程序代码（1）标准化与归一化的联系和差异联系差异（2）为什么要归一化/标准化①某些模型求解需要②③无量纲化④ 避免数值问题（3）什么时候用归一化？什么时候用标准化？3、PCA和白化程序代码
当前被广泛用的预处理方法
1、中心化/零均值化


零均值化就是将每一维原始数据减去每一维数据的平均值，将结果代替原始数据


​在深度学习中，一般我们会把喂给网络模型的训练图片进行预处理，使用最多的方法就是零均值化(zero-me]]></description><category></category></item><item><title><![CDATA[查看深度学习网络模型的参数信息和占用资源情况]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/110264238</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/110264238</guid><author>ajkdghfa</author><pubDate>Sat, 28 Nov 2020 12:22:50 +0800</pubDate><description><![CDATA[打印训练模型的参数信息，下面提供几个方法，以Alexnet模型为例：
Alexnet模型：
import torch
import torch.nn as nn
import numpy as np
import math
import time

class AlexNet(nn.Module):
    def __init__(self,num_classes=1000,init_weight=False):
        super(AlexNet,self).__init__()
       ]]></description><category></category></item><item><title><![CDATA[Pytorch使用tensorboard进行模型可视化]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/110263392</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/110263392</guid><author>ajkdghfa</author><pubDate>Sat, 28 Nov 2020 12:11:41 +0800</pubDate><description><![CDATA[推荐两个不错的文章和pytorch的官方教程，前两个基本上就可以满足模型可视化的简单要求了
基于PyTorch的TensorBoard可视化
pytorch官方的tensorboard教程
详解PyTorch项目使用TensorboardX进行训练可视化

]]></description><category></category></item><item><title><![CDATA[windows10成功安装pycocotools（附带避坑指南）]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/108614079</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/108614079</guid><author>ajkdghfa</author><pubDate>Wed, 16 Sep 2020 08:43:00 +0800</pubDate><description><![CDATA[1.通过pip install pycocotools-win进行安装，如果没有出现错误，那么恭喜你可以顺利安装，如果提示出现错误，那么参考是否是下面几种错误
pip install pycocotools-win

（注：本人操作的环境是在win10 + pycharm + miniconda中进行的）
①提示缺少“Microsoft visual c++ 14.0”,那么会提示你下载相关的工具，可以自己官网下载，这里分享给大家直接的下载链接链接：https://pan.baidu.com/s/1gm5S]]></description><category></category></item><item><title><![CDATA[图片分类之KNN算法]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/107787476</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/107787476</guid><author>ajkdghfa</author><pubDate>Tue, 04 Aug 2020 17:13:20 +0800</pubDate><description><![CDATA[理论基础
KNN算法也可以叫做最近邻算法，找到该位置最近的K个邻居，并且在K个邻居中选择最近的占比最高的类别作为预测类别，我们可以通过一个图来理解

待预测的绿色的圆圈属于 哪一类我们要看临近的类别，如果取 K=3（图中的实心圆），红色三角形所占的比例为 2/3，蓝色正方形所占的比例为1/3，那么我们绿色圆可以被赋予红色三角形类别，如果取K=5的话，那么红色三角形占的比例为2/5，蓝色正方形所占的比例为3/5，此时绿色圆被赋予蓝色正方形类别。
KNN算法步骤


（1）给定测试对象，计算它与训练中每个对象的]]></description><category></category></item><item><title><![CDATA[vscode修改扩展程序的安装位置（两种方法测试均可使用）]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/107005720</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/107005720</guid><author>ajkdghfa</author><pubDate>Sun, 28 Jun 2020 18:47:27 +0800</pubDate><description><![CDATA[vscode的扩展默认位置为：C:/用户/user/.vscode/extensions
第一种：（vscode需要下载安装在电脑上）
可以在快捷方式的的属性中修改目标的内容：（在目标的默认内容后面加【–extension-dir"新的路径"】）
比如想放在D:\vscode\codeextensions这个文件中，目标内容可以修改为：
“D:\vscode\VSCode\Microsoft VS Code\Code.exe”–extensions-dir D:\vscode\codeextensions
]]></description><category></category></item><item><title><![CDATA[pytorch中的torch.gather()函数的理解和使用]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/106129198</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/106129198</guid><author>ajkdghfa</author><pubDate>Fri, 15 May 2020 11:35:04 +0800</pubDate><description><![CDATA[在看pytorch 中的一些函数时，遇到了取对角线元素的函数操作，遇到了gather函数，主要对其中dim =0，dim=1有很多困惑不清楚如何进行取数的
# 选取对角线的元素
import torch as t
a = t.arange(0, 16).view(4, 4)
index = t.LongTensor([[0,1,2,3]])
b=a.gather(0, index)
print(b)

我们先了解一下这个函数以及其中的参数都代表的什么意思，我们先看一下
你好！ 这是你第一次使用 Markdo]]></description><category></category></item><item><title><![CDATA[如何在优快云上面转载博客全文]]></title><link>https://blog.youkuaiyun.com/ajkdghfa/article/details/105875007</link><guid>https://blog.youkuaiyun.com/ajkdghfa/article/details/105875007</guid><author>ajkdghfa</author><pubDate>Fri, 01 May 2020 11:20:01 +0800</pubDate><description><![CDATA[前言
第一次在优快云上面转载博客，为了尊重版权，尊重知识，特地学习了一点如何转载博客的知识，现在来“小试牛刀”一下
参考博客原址：https://blog.youkuaiyun.com/bolu1234/article/details/51867099
步骤
首先打开要转载的博客页面，鼠标右键会出来一个“检查”选项（本人使用的是Chrome浏览器，其他浏览器应该也是类似），例如：

然后页面下边或者右边会出...]]></description><category></category></item></channel></rss>