qq_39777550的博客

训练集在训练过程中，loss稳步下降，准确率上升，最后能达到97%验证集准确率没有升高，一直维持在50%左右（二分类问题，随机概率）测试集准确率57%在网上搜索可能打的原因：1.learning rate太小，陷入局部最优2.训练集和测试集数据没有规律3.数据噪声太大4.数据量太小（总共1440个样本，80%为训练集）5.训练集和测试集数据分布不同：如训练集正样本太少（训练集和测试集每次运行随机选择，故排除）6.数据集存在问题，如标注有问题（采用公开数据集，排除）7.学习率过大8.模型

卷积：class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True)蓝色为输入，蓝色上的阴影为卷积核(kernel)，绿色为输出，蓝色边缘的白色框为padding反卷积：class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, o

GAN的基本原理其实非常简单，这里以生成图片为例进行说明。假设我们有两个网络，G（Generator）和D（Discriminator）。正如它的名字所暗示的那样，它们的功能分别是：G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。在训练过程中，生成网络G的目标就是尽量生成真实

上图中纵坐标是可能出现的字符，横坐标是输出的序列，上图表示：输出结果要求为zoo时，在网络输出的序列长度为9的前提下，网络可以输出的序列情况。从图中可以看出，第一个出现的字符为空格或者z，如果第一个字符为空格，那么第二个出现的字符可以为空格或者z，箭头表示下一个可以出现的字符情况，比如，网络输出的序列可以为：空格空格空格空格空格zo空格o或者zz空格o空格o空格空格空格最终经过转录，可以得到zoo在此说明一下，在网络中，每一个序列字符的输出都是有概率的，比如，在 空格空格空格空格空格zo空格o这条输.

BN原理、作用：函数参数讲解：BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)1.num_features：一般输入参数为batch_sizenum_featuresheight*width，即为其中特征的数量，即为输入BN层的通道数；2.eps：分母中添加的一个值，目的是为了计算的稳定性，默认为：1e-5,避免分母为0；3.momentum：一个用于运行过程中均值和方差的一个估

CRNN是一种卷积循环神经网络结构，用于解决基于图像的序列识别问题，特别是场景文字识别问题。文章认为文字识别是对序列的预测方法，所以采用了对序列预测的RNN网络。通过CNN将图片的特征提取出来后采用RNN对序列进行预测，最后通过一个CTC的翻译层得到最终结果。 说白了就是CNN+RNN+CTC的结构。CRNN 全称为 Convolutional Recurrent Neural Network，主要用于端到端地对不定长的文本序列进行识别，不用先对单个文字进行切割，而是将文本识别转化为时序依赖的序列学习问

ResNet网络模型的代码运行解析过程本博客以ResNet50为例子，来解析代码运行的过程与函数解析：源码：如下之前一直为代码的复杂调用关系而感到头疼，看完之后虽然在脑子里能回想起来代码的流程，但是过了几天之后，这些典型的深度学习网络模型的代码又就忘记了，为了解决这个问题，我使用思维导图，来整理模型代码的整个流程，得到了很不错的效果，而且整个模型的函数调用也是一目了然！！！下次再看，也能很快想起来。我是用的是鱼骨思维导图：效果如下：与中间一跟鱼骨相连的骨刺是最先被运行的代码，然后在这个代码中如

Sliding Window滑窗法有在传统中的方法法和在深度学习中的方法，下面讲的是在深度学习中的方法。滑窗法有2个过程：依次滑动：每次滑动一个像素点，每个像素都会对应一个框。每次滑动后，都把框框住的内容当作一个图像送入目标检测网络中（如VGG网络，或者ResNet网络）进行检测。检测结果对应的位置，就是框的位置，每次滑动后，位置就确定了。多尺度滑动：那么每次框的大小如何确定呢？这就是多尺度进行滑动了。就是使用小的框，把整张图滑动一遍之后，再使用大一点的框，再进行滑动一遍。然后再选择更大的框

YOLOv3算法原理，源码精讲以及YOLOv4要点1、YOLOv3算法原理2、YOLOv3源码精讲-讲透Anchor机制3、YOLOv3源码精讲-要点深入理解4、YOLOv4要点目标检测：不仅要给出检测出来的内容，还要给出内容的位置。在开始之前，首先理解一下：Bounding Box：从左到右分别为：1、轴对齐的Bounding Box(简写为AABB)，该框有两种表示方式(x1,y1,x2,y2)—左上右下点的坐标或者(x,y,h,w)—中心点的坐标和高宽值，即用四维的向量来表示；

网盘下载：YOLO_small.ckpt链接：https://pan.baidu.com/s/15pxR29zsiEpRnQ4y3sjLag提取码：pf4jyolo_weights.h5链接：https://pan.baidu.com/s/10DiVRyul_n8ZHX2NEm5uBw提取码：gqjb