何林的博客

ERROR: Failed building wheel for pycocotools

官网地址：https://cocodataset.org/#download1. 选择下载的数据，右键，获取下载地址2. 将 http 改为 https示例获得的下载地址为：http://images.cocodataset.org/zips/train2014.zip将该地址修改为：https://images.cocodataset.org/zips/train2014.zip然后将修改的地址输入浏览器，即可下载...

首先，需要明确一点：多分类时，目前我们使用交叉熵。原因：想要预测分类结果正确，不需要预测概率完全等于标签概率。但使用均方差时，预测过于严格。因此需要使用更适合衡量两个概率分布差异的测量函数，其中交叉熵是常用的方法。我制作了部分对比的图片，看这个视频应该对理解有帮助。每幅图上的曲线，显示了随着预测准确率的提高，交叉熵损失和均方差损失的变化情况。其中横坐标为准确率，范围在0到1之间，纵坐标为损失。对比的类别数范围在[2, 100]，每个类别使用的样本量是1000组。可以发现，随着预测的类别增多，完

卷积只能一定程度解决平移不变性，如果要真正解决的话，需要增加样本的多样性，在样本上做工作。我通过MNIST训练手写数字识别，网络模型采用的卷积神经网络，无法解决平移不变性。如果要解决，在训练时，需要对数据集做在线增强处理。下图的结果是未做在线增强的训练结果，当把数字移动到角落时，识别效果不好。...

full mode卷积核右下角的位置和原图片左上角的位置重合same mode卷积核的中心点（锚点）和原图片左上角的位置重合valid mode卷积核左上角的位置和原图片左上角的位置重合注意，很多博客使用的是如下的图，原图片大小是$7 \times 6$ 的...

对图像卷积操作后，接下来是先激活还是先池化，现在存在两种顺序：卷积 -> 激活 -> 池化卷积 -> 池化 -> 激活先给出结论：如果使用最大池化，两种顺序的结果是一样的。如果使用平均池化，建议采用第1种顺序，即卷积 -> 激活 -> 池化。现在使用代码说明：使用最大池化def maxpooling_order(): """ 最大池化顺序 :return: """ img = torch.randn(1,