<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[智市科技博客]]></title><description><![CDATA[从事智能制造行业6年，涉及传统图像算法、AI算法、3D视觉等前沿行业]]></description><link>https://blog.youkuaiyun.com/m0_37628604</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_37628604]]></copyright><item><title><![CDATA[欧拉视频放大（EVM算法）的Python实现]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/131398687</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/131398687</guid><author>m0_37628604</author><pubDate>Mon, 26 Jun 2023 15:32:57 +0800</pubDate><description><![CDATA[欧拉视频放大]]></description><category></category></item><item><title><![CDATA[深度学习损失函数原理分析（四）]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/121887697</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/121887697</guid><author>m0_37628604</author><pubDate>Mon, 13 Dec 2021 20:03:21 +0800</pubDate><description><![CDATA[本章节主要介绍深度学习中损失函数。2分类的logistic损失 SoftMarginLoss、多标签分类损失 MultiLabelMarginLoss、
多标签 one-versus-all 损失 MultiLabelSoftMarginLoss
2.10  SoftMarginLoss
SoftMarginLoss用于计算二分类logistic损失
功能：创建一个优化器用来做二分类逻辑回归，输入X与标签y(含有1 or -1).

nn.SoftMarginLoss（size_average=None,
]]></description><category></category></item><item><title><![CDATA[深度学习损失函数原理分析（三）]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/121726490</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/121726490</guid><author>m0_37628604</author><pubDate>Mon, 06 Dec 2021 15:29:53 +0800</pubDate><description><![CDATA[上一章主要介绍了L1_loss、L2_loss、SmoothL1三个函数，本章主要介绍二进制交叉熵损失 BCELoss、BCEWithLogitsLoss、HingeEmbeddingLoss三个损失函数
2.7 二分类交叉熵损失BCELoss
BCELoss主要用于二分类的损失函数，先对参数进行sigmod函数归一化，在采用交叉熵求损失，过程Sigmoid-BCELoss。
sigmod函数：
sigmod函数也叫Logistic函数，用于隐层神经单元输出，取值范围（0,1），他可将一个实数映射到（0,1]]></description><category></category></item><item><title><![CDATA[深度学习损失函数原理分析（二）]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/121694400</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/121694400</guid><author>m0_37628604</author><pubDate>Fri, 03 Dec 2021 17:06:38 +0800</pubDate><description><![CDATA[上一章节主要介绍了均方误差（MSELoss）与交叉熵损失（CrossEntropyLoss）两个损失函数原理及应用，本章将介绍
L1范数损失。
2.4 L1范数损失(L1_loss)
L1_loss表示预测值与真实值之差的绝对值；也被称为最小绝对值偏差（LAD）,绝对值损失函数（LAE）。总的来说，它是把目标值y与估计值f(x)的绝对差值的总和最小化。

代码：
import numpy as np
import torch
import torch.nn as nn
#数学公式
y=np.array([0]]></description><category></category></item><item><title><![CDATA[深度学习损失函数原理解析（一）]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/121677368</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/121677368</guid><author>m0_37628604</author><pubDate>Thu, 02 Dec 2021 18:07:10 +0800</pubDate><description><![CDATA[在深度学习中，我们经常用到损失函数，损失函数选择使用情况直接决定我们模型训练效果。
1.前言
损失函数是深度学习与机器学习里面的重要函数。从字面意思可确定，损失函数（Loss Function）反应的是模型对数据的拟合程度。损失函数越小，说明模型对数据拟合程度越好，反之拟合程度越差。
损失函数是用来估量模型的预测值prediction(x)与真值Y之间的不一致问题，非负值函数，通常L(Y,prediction(x))表示损失函数公式，损失函数越好，鲁棒性越好，损失函数是经验风险函数的核心部分，也是结构风险函]]></description><category></category></item><item><title><![CDATA[梯度值与参数更新optimizer.zero_grad(),loss.backward、和optimizer.step()、lr_scheduler.step原理解析]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/121630836</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/121630836</guid><author>m0_37628604</author><pubDate>Tue, 30 Nov 2021 20:03:16 +0800</pubDate><description><![CDATA[在用pytorch训练模型时，通常会在遍历epochs的过程中依次用到optimizer.zero_grad(),loss.backward、和optimizer.step()、lr_scheduler.step()四个函数，使用如下所示：
train_loader=DataLoader(
    train_dataset,
    batch_size=2,
    shuffle=True
)
model=myModel()   
criterion=nn.CrossEntropyLoss()    ]]></description><category></category></item><item><title><![CDATA[maskrcnn制作自己数据集]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/121379028</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/121379028</guid><author>m0_37628604</author><pubDate>Wed, 17 Nov 2021 16:08:59 +0800</pubDate><description><![CDATA[数据集准备
数据集图片放入一个文件夹中，如下图够人与狗两张图片。
数据集标注
1：进入Anconda Prompt命令窗口（默认安装anconda3）
2:   进入labelme环境（命令：activate labelme）
3：启动labelme软件（启动命令：labeme）
4:  点击openDir打开数据集开启标注：出现同一类多个实例时请使用dog1  dog2 …dogn标注。如下图所示：

标注完成
数据集标注完成每张图片产生一个对应json文件，如下图所示：

生成mask样本
json文件]]></description><category></category></item><item><title><![CDATA[2021-02-25]]></title><link>https://blog.youkuaiyun.com/m0_37628604/article/details/114084907</link><guid>https://blog.youkuaiyun.com/m0_37628604/article/details/114084907</guid><author>m0_37628604</author><pubDate>Thu, 25 Feb 2021 15:17:45 +0800</pubDate><description><![CDATA[基于windows10系统的c++与darknet联合推理部署
基于windows的c++与darknet部署推理提供两种方式：基于opencv dnn模块推理方式和基于darknet模块推理方式。
1）基于opencv dnn模块推理
  系统要求：Windows10系统
  软件及库文件下载: vs2015(社区个人免费版本镜像：[http://download.microsoft.com/download/B/4/8/B4870509-05CB-447C-878F-2F80E4CB464C/vs201]]></description><category></category></item></channel></rss>