整理输出各类知识

1.问题来源看别人的面经时，浏览到一题，问的就是这个。自己刚接触pytorch时套用别人的框架，会在训练开始之前写上model.trian()，在测试时写上model.eval()。然后自己写的时候也就保留了这个习惯，没有去想其中原因。2.用法（区别）在经过一番查阅之后，总结如下：如果模型中有BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()，在测试时添加model.eval()。其中model.train()是保证BN层用每一批数据的均值和

文章目录labelme制作数据集PyTorch-YOLOv3遇到的问题labelme制作数据集首先安装labelme工具pip install pyqt5 pip install labelme运行labelmelabelme会出现下图所示窗口，点击Open Dir 打开存放数据集的文件夹。点击Edit->Create-Rectangle开始做框标注label，点击ok保存文件夹下会出现对应图片.json文件标注信息接下来用以下代码生成数据集对应的trai

概述针对标准UNet这种欠完备的网络架构，提出了Ki-Net网络结构，这种网络结构通过较小的感受野能够检测到较为细微的结构。作者还将这种结构与UNet相结合起来，提出了Ki-UNet网络，在性能上得到了提升。Motivation尽管UNet网络是近年来医学分割领域非常流行的网络，但是，通过研究发现，UNet网络在检测细微的组织结构时性能很差。这是由Unet这种欠完备的网络中较大的感受野造成的。随着网络深度的增加，感受野也就越来越大，使得网络能够更加关注高级的语义信息，但是，细小的组织结构是需要较小的感

1.概述看了吴恩达老师的深度学习课程，里面有提到卷积网络的大小计算方式，就记录一下，顺便以pytorch代码实现验证一下。2.普通卷积记图像尺寸为n∗nn*nn∗n，卷即核尺寸为f∗ff*ff∗f，步长为sss,padding大小为ppp,输出的尺寸大小为(n+2p−fs+1)∗(n+2p−fs+1){({{n+2p-f} \over s}+1 )}*{({{n+2p-f} \over s}+1 )}(sn+2p−f​+1)∗(sn+2p−f​+1)令n=224,f=3,s=1,p=1n=224,f

from scipy.optimize import leastsqleastsq(func, x0, args=(), Dfun=None, full_output=0, col_deriv=0, ftol=1.49012e-08, xtol=1.49012e-08, gtol=0.0, maxfev=0, epsfcn=0.0, factor=100, diag=None, warning=True)一般来说只需要前面三个参数func:自定义的计算误差的函数x0:计算的初始参数值args:

文章目录1. FCN1. FCNPaper：

概述本文提出了金字塔卷积（PyConv），能够在多尺度的卷积核上处理输入的图像。PyConv包含一个卷积核金字塔，每一层级是大小和深度都不同的卷积核，从而可以捕获场景中不同级别的细节，另外PyConv不会增加计算成本和参数，是十分高效的，而且PyConv十分灵活，具有可扩展性。Motivation在现实中，有些类别的物体有着非常打的空间尺寸，而有些物体通常是很细小的。即使是同一类别的物体，在尺寸上也可能会有很大的差异。要捕捉到不同种类的物体以及它们在尺寸上的差异性，只采用单一类别的卷积核显然不足以解决如

1.问题描述在使用torch.nn.BCELoss()进行训练时遇到了如下问题：Traceback (most recent call last): File "train.py", line 34, in <module> train() File "train.py", line 28, in train loss = criteration(output, label) File "/home/test/anaconda3/envs/ResUnet/lib/

问题： 在训练的时候用了两次loss.backward，然后就报错了。解决办法在backward()函数中添加参数retain_graph=True：loss.backward()改为loss.backward(retain_graph=True)

概述这篇论文来自CVPR2019 Oral。论文的出发点：语义分割的模型往往很难兼顾速度与精度，也因此语义分割的网络分为两类，论文中描述为 cumbersome segmentation network与 compact segmentation network，简单地说一个注重精度，一个注重速度。这篇论文利用知识蒸馏来提高compact segmentation network的精度。论文的创新点（核心）：知识蒸馏不是什么新鲜的东西，论文的核心主要是几个loss的设计，最后一个Discrimina

1.问题描述在使用Pytorch导入数据集时出现了如下报错：出错的地方在于transforms.Normalize()transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])2.解决方法由于我的数据集是单通道的灰度图，所以需要修改transforms.Normalize()的参数。进行如下修改即可：transforms.Normalize([0.5],[0.5])...

四、全卷积网络FCN详细讲解（超级详细哦） ...