Garson的博客

首先需要说明的一点是，虽然卷积层得名于卷积（ convolution ）运算，但我们通常在卷积层中使用更加直观的计算方式，叫做互相关（ cross-correlation ）运算。也就是说，其实我们现在在这里提到的卷积运算，不是数学意义上的卷积运算，而是说在深度学习领域，大家通常将数学中的的互相关运算称之为卷积运算，这一点首先需要作出明确地声明。

那他到底是怎么训练成现在这样的呢？

深入浅出神经网络

两步轻松实现ChatGPT联网

使用Python生成信息熵决策树

ResNet为了实现特征的降维和尺寸的匹配，分为两种残差结构1.实线残差结构 2.虚线残差结构。需要注意的是ResNet18/34使用的两种残差结构与ResNet50及往上所使用的不同。图2.1 ResNet18/34实线残差结构图2.2 ResNet18/34虚线残差结构图2.3 ResNet50+实线残差结构图2.4 ResNet50+虚线残差结构本节代码需要参考图1.1搭建。1、初始化模型，其中：block：网络模块（Bottleneck/BasicBlcok）

popular是最后的判断属性，因为在主程序中判断是由‘是’/‘否’来判断的，所以我并没有修改。但发现画图程序是不可以显示中文的，如你想增加一个名为sugarRate的属性时，修改为下述语句即可。如果使用的是连续性数据，在gettree方法中，程序名：createPlot.py。下述语句or后面再加判断条件即可。，在txt数据集中直接修改即可，所以使用时将所有中文属性改为英文。两个Python程序。

表示该标注的名称，通常用于人类可读的标注，例如在图像分类问题中，可以用 name 表示动物的种类（如“狗”、“猫”、“鸟”等）或车辆的品牌（如“奥迪”、“宝马”、“奔驰”等）等信息。：表示该标注所属的超级类别，通常用于区分不同种类的对象，例如在图像分类问题中，可以用 supercategory 区分动物、车辆、植物等不同的类别。这些字段的具体含义和用法也可能因不同的数据集而有所不同，需要根据具体情况进行理解和使用。：表示该标注的唯一标识符，通常用于在数据集中唯一地识别每个标注。

在上篇的ResNet详解文章中，我们会发现在特征矩阵每一次经过一个卷积层，我们都需要进行一次归一化处理（Batch Normalization，简称bn）和ReLU（Rectified Linear Unit）函数。那么具体为什么我们需要这两种函数的处理呢？引发了我的思考。

我在使用mask-rcnn分割图片的时候，出现了一张图片被识别为多中类别。但有些类别的置信度较低(60%。

👍今天成功激活了GPT PLUS版本，幸喜之余还是想快点尝试以下4.0升级之后写代码的能力！

🎈根据mask rcnn生成的json结果文件，读取并裁剪原图分割结果。主要裁剪逻辑是：根据image的mask数组进行与操作，只保留像素为1的遮罩区域。