qq_41563738的博客

先来看看pytorch中对于类的定义：CLASS torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)解析一下每个参数的作用：num_features：BatchNorm是针对每一个通道做的，所以这里应该填写（N, C, H, W）中的C...

在代码里面输出一下子：import torchimport torch.nn as nnclass Net(nn.Module): def __init__(self): super().__init__() self.fc1 = nn.Linear(3, 4) self.relu1 = nn.ReLU() se...

关于PyTorch模型保存与导入的一些注意点：1.没有使用并行计算：import torch.nn as nnclass Net(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(2, 2, 1) self.linear = nn...

Non-Maximum Suppression 非极大值抑制NMS目的：在检测任务中，一个目标很有可能预测出多个bbox，我们需要剔除不适合的，只留下最好的。这就是NMS的目的。 NMS处理之后 NMS过程：在目标检测中，很可能需要预测很多类。拿预测人类的特征图来举例，他可能出现很多的bbox，每个bbox网络都会有它是人类框的置信度，我们选出其中置信度最大的一个b...

先讲一下叶子节点和非叶子节点的定义：叶子节点（张量的is_leaf）属性值为True，grad_fn为None，叶子节点有两种情况：第一种：由用户自行创建的节点（即不是由运算而来）：a = torch.rand(5, 5, requires_grad=False)b = torch.rand(5, 5, requires_grad=False)c = torch.rand(5, ...

名称：M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network文献类型：目标检测年份：2018要解决的问题：提出了更快更好的网络问题存在的原因：目前的目标检测网络都有局限性，原因在于它们只是基于物体分类的主干网络的固有尺度，简单地构建特征金字塔解决的途径/方法：提出了M...

import torchimport torch.nn as nnimport torch.nn.functional as Fclass VGG16(nn.Module): def __init__(self): super(VGG16, self).__init__() # 3 * 224 * 224 ...

翻译部分内容，参杂个人想法不忠实于原文，可能有参考价值概要文本检测：1.把文本作为一种普通对象，采用普通对象检测的方法，利用回归来确定文本框的位置缺点：文本方向任意、文本尺度任意2.直接分割文本区域缺点：过程复杂我们：结合以上两点——角落点+分割相关区域一、介绍近年来，文本检测越来越重要文本检测难的原因：1.外部原因：噪声、模糊、咬合（遮...

适用于Anaconda 4.7.10版本网上很多都是只添加了部分，不太全的可能存在python报错，conda list报错，import numpy导入不了模块等问题在Path中进行编辑，添加以下的路径...