qq_44992157的博客

目的：实现自动驾驶场景中的高精度 3D 物体检测；贡献：提出了多视图 3D 网络 (Multi-View 3D Networks, MV3D)，这是一种将LIDAR 点云和 RGB 图像作为输入并预测定向 3D 边界框的感官融合框架。（注：提出了一种框架，预测结果是含有车辆行驶方向的3D边界框）方法：使用紧凑的多视图表示对稀疏3D 点云进行编码。细节：该网络由两个子网络组成：一个用于 3D 对象提议生成(Proposal)，提议网络从 3D 点云的鸟瞰图(BEV)表示中有效地生成 3D 候选框。

可以看出，使用预训练模型参数的网络在经过同样的epoch后，达到的精度更高。4.不使用预训练模型的Python代码。2.使用预训练模型的Python代码。

本文的所有资源都放在作者的Github上了，有需要可以自己下载～

mmlab的OpenPCDet运行成功

【代码】Pytorch学习笔记——DenseNet模型。

【代码】Pytorch学习笔记——ResNet模型。

1.自定义BatchNorm类。3.Pytorch自带类。4.结果（训练速度更快）

【代码】Pytorch学习笔记——GoogleNet模型。

显卡热的能烤馒头片了。

【代码】Pytorch学习笔记——VGG模型。

【代码】Pytorch学习笔记——AlexNet模型。

【代码】深度学习之LeNet。

【代码】Pytorch学习笔记——softmax模型。

动手学pytorch第二章的内容笔记

深度学习的训练数据往往很多，如果一次性训练所有的数据，不但会导致时间过长，而且训练次数不够，参数也不能得到很好的迭代。为此，将训练数据分成小的batch，一次batch迭代就可以完成一次参数更新，大大提高了训练速度。Pytorch中有现成的batch生成器，但是为了底层原理的理解，最好自己能够写出这样的代码，就先从能看懂现成代码开始吧。

下载后，使用gunzip + 文件名的方式解压，然后在python文件的路径下新建一个‘data’文件夹，把这四个文件放进去。通过修改epochs参数，可以修改迭代的次数，以提高准确率；可以看出，随着迭代次数的增加，准确率越来越高。修改网络层参数，可以更改单次迭代效率。，四个文件都需要下载。

前三篇链接：使用基础粒子群(PSO)算法求解一元及二元方程的Python代码改进的粒子群算法(PSO)算法Python代码——线性/非线性递减惯性权重改进的粒子群算法(PSO)算法Python代码——随机惯性权重