Tony Wey的博客

KL散度用于测量。

蒙特卡洛算法通过随机抽样提供了一种灵活的数值计算方法，适用于解决各种复杂问题。尽管计算开销可能较大，但其简单易用性和广泛应用领域使其成为数值计算的重要工具。设有参数θ的总体，其估计量为θ。如果θ的期望值等于参数θ，即：Eθθ那么θ被称为是θ的无偏估计。设有参数 \theta的总体，其估计量为 \hat{\theta}。如果 \hat{\theta}的期望值等于参数 \theta，即：\\那么 \hat{\theta} 被称为是 \theta的无偏估计。设有参数θ。

概率密度函数是描述连续随机变量分布的重要工具。通过 PDF，可以计算随机变量在不同区间的概率，并分析其统计特性。理解和应用 PDF 是概率论和统计学的基础。

可后台训练模的一种小技巧背景在算法工作学习中，经常需要训练模型，而对于大量样本数据训练或使用大参数量的模型，本地设备往往就捉衿见肘了，必然会用到远程服务器。但远程服务器，都是通过ssh连接的，在服务器上运行时间短的程序直接在terminal中运行等待即可；但遇到模型训练就不一样，像coco、culane 等数据集需要训练几天。对于这样的情况，你需要确保电脑不关机且网络不能断还得保持连接服务器不能终端。这样的要求太苛刻了。解决方案运用screen控制台窗口指令。可以建立多个窗口，后台运行程序，可以同时

CVAT数据标注工具的的docker部署安装教程

Refined Single-Stage Detector with Feature Refinement For Rotation Object论文连接代码地址

网络细节详解代码解释

Online Negative Example Mining论文链接背景：在模型训练中，大量的训练数据中会存在一些难以区分的负样本，找到这样的负样例再进行针对性地训练，能够对模型精度有一定的提升。在 two-stage 的目标检测方法中，经过区域生成算法或者网络生成的 region proposals 通常会经过正负样本的筛选和比例平衡后，才送入之后的检测网络进行训练。但是正负样本的定义和训练的比例是需要人为定义的。如果要筛选 hard mining。通常使用的都是 hard negative min

分享一个模型结构可视化工具对于pytorch、caffe、keras、tensorflow、mxnet等搭建的网络结构，往往不能很直观的看出来，那么今天推荐一个能非常直观的能看到搭建的模型的整体模型结构的工具软件——Netron。Netron 支持Windows、Linux、Mac系统。Linux安装直接到github上面拉下来，setup就行了。框架对应的文件类型框架文件onnx.onnx、.pbkeras.h5、.kerastensorflow.pb、.m

强烈推荐两篇深度学习常见的经验总结文章。文章一文章二

强烈推荐这篇博客讲解很详细！！！Batch Size

JSON 文件在 python 中的基本操作背景在深度学习的工作学习中，会必不可少的对json文件进行读写操作，因为很多公共数据集的标注文件都是json格式。在工作中尤为明显，基本都是大json文件，所以了解json的一些基本操作就完全能解决这类需求了。python里面的语言对象一般只有python能读懂，为了能比较好储存，而且能够让别的编程语言也能读懂这些数据，就会用json来转换储存。或者说把json数据类型的转化成python的数据类型。JSON概念JSON(JavaScript Objec

深度学习环境配置安装近几年深度学习非常热门，在生活中也有越来越多地涉足，人脸识别、自动驾驶、工业视觉检测、语音识别等等。入坑深度学习，首先需要搭建好一整套环境，下面就介绍具体安装步骤。安装前提，需要有nvidia的独立显卡，当然算力越高越好。本文介绍的是自己的一套环境配置(ubuntu 18.0.4 + cuda11.1.0 + cudnn8005 + pytorch1.8.0)，不一样的搭配参考pytorch官网。CUDA安装步骤：先看自己电脑显卡支持的最高cuda版本，用命令：nvidia-