qq_24263553的博客

采用网络的backbone部分，为了能运行tensorboard，所以必须要是完整的网络，所以结尾采用提取有效特征层P7（tensor类型），进行Flatten拉平，然后接了一层全连接，使用虚拟数据进行空跑，才能进入tensorboard。Keras和TF是可以互通，使用tf.keras更加方便，中间可以嵌套tf，使用with tf.name_scope(‘stage5’): 可以将网络部分隐藏在name_scope下，更方便对主体网络进行观察...

ResNet又名残差神经网络，指的是在传统卷积神经网络中加入残差学习（residual learning）的思想，解决了深层网络中梯度弥散和精度下降（训练集）的问题，使网络能够越来越深，既保证了精度，又控制了速度。随着网络的加深，梯度弥散问题会越来越严重，导致网络很难收敛甚至无法收敛。梯度弥散问题目前有很多的解决办法，包括网络初始标准化，数据标准化以及中间层的标准化（Batch Normalization）等。但是网络加深还会带来另外一个问题：随着网络加深，出现训练集准确率下降的现象残差学习的思想：

背景本篇论文的题目是《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》，翻译过来就是 EfficientNet：对卷积神经网络模型缩放的再思考论文作者：Mingxing Tan；Quoc V . Le研究问题这篇论文发布时间是 2014 年，它具有比较重要的意义。文章总结了在CV领域，想要提升网络模型的精度，一般从网络的深度：是指网络模型的层数，从初始的被VGG到现在的resnet，网络层数已经从

SphereFace1、介绍2、背景3、实验方法4、实验结果参考1、介绍人脸识别领域，这两年的发展都偏向于1、创造轻量级的网络用于移动端2、对模型的loss进行改进。本篇文章就是对于angular margin来进行loss的约束了，也取得了很明显的效果。2、背景先普及一下人脸领域两个重要方向——人脸识别（face identification）、人脸验证（face verification）。前者将一张脸归为一个特定的身份，后者则决定一对脸是否属于同一个身份。相关的测试可以在闭集（close