追梦飞阳

在深度学习这一领域经常涉及到模型的分布式训练（包括一机多GPU的情况）。我自己在刚刚接触到一机多卡，或者分布式训练时曾对其中到底发生了什么有过很多疑问，后来查看了很多资料，在这篇博客里对分布式的深度学习模型训练做一个总结。

对show and tell 模型做的一个总结，包括其中应用的attention机制。

这一篇博客主要讨论在用卷积神经网络进行图像识别或者目标检测时的数据增强手段，并讨论其作用。 首先整理两篇比较有代表性的论文里的数据增强，再说说我自己工作中使用的数据增强，最后讨论这些数据增强的意义（我个人的理解）。

在第一篇里说完了RCNN和fast RCNN，接下来继续说faster RCNN，建议不了解RCNN和fast RCNN的读者先回头了解了RCNN和fast RCNN在继续读下去。

近些年深度学习在图像领域大放光彩，这篇文章先对目标检测领域深度学习的发展做一个总结，再结合一个例子对tensorflow model zoo中的目标检测API使用做一个说明。

这系列文章的内容目录如下：目标检测的任务深度学习在目标检测中的应用RCNNfast RCNNfaster RCNNRFCNyoloyolo V2SSDtensorflow目标检测API的使用在第一篇里说完了RCNN和fast RCNN，第二篇里说了faster RCNN，这一篇来说RFCN。如果看完了前面的两篇那么对深度学习在目标检测中的应用应该就已经有了一个还算不错的理解，很多

在第一篇里介绍RCNN及fast RCNN，在第二篇里介绍了faster RCNN，第三篇介绍了RFCN，现在是第四篇，介绍yolo和yoloV2。