塔塔守护者的博客

1.在“ 开始”菜单中点击“Anaconda3(64bit)”，选择“ Anaconda Prompt(Anaconda3)”,进入终端，界面如下： 找到labelme.exe所在文件夹D:\ProgramData\Anaconda3\envs\tf_keras\Scripts,然后在终端输入命令： 人工标注用软件为： 点击“Open”打开一张图片或者点击“OpenDir”打开一个图片文件夹，用" CreatePolygons"手动分割区域，如下图为分割出"sky",其余部分默认为“ B.

一、结构 1.卷积过程： 输入图片尺寸为（batchsize,l,w,channels）,l表示长度，w表示宽度，channels表示通道数，batchsize为每次输入神经网络的图片张数。默认（1,6,6,1）。 卷积核大小为（numbers,l1,w1,channels）,l表示长度，w表示宽度，channels表示通道数，应与被卷积的特征图（输入的图片）的通道数相同，numbers表示卷积核的个数。默认（1,3,3,1）。 （1）当直接对特征图进行卷积时，步长(stride)为1，符合公式，。

1.IOU（Intersection over Union） 优点：（1）可以反映预测检测框与真实检测框的检测效果，（2）尺度不变性。 缺点：作为损失函数会出现问题：（1）如果两个框没有相交，IoU=0，loss=0，没有梯度回传，无法进行学习训练。 （2）IoU无法精确的反映两者的重合度大小。 #iou import numpy as np def iou(box1,box2,wh=False): #wh=False表示输入的box为(左上角点坐标和右下角点坐标四个值) if

1.Batch Normalization 首先，我们要清楚cnn的反向传播中更新参数用到的梯度下降，是基于mini-batch SGD。mini-batch就表示有一定的batch size（>1）。实验发现当batch size<8时神经网络的输出误差会显著增大。对于Batch Normalization的应用，举例来说： 一个feature map 为k*h*w大小，k表示通道数，h表示特征图的高，w表示特征图的宽，一个卷积层为m*k*f*f大小，m表示卷积核的个数,f表示卷积核的长.

首先附一张监视gpu工作的图片 说一下我安装的软件的各个版本： 1.anaconda3对应的python3.7.4 2.在anaconda中下载jupyter notebook 3.tensorflow-gpu ==1.14.0 keras == 2.1.5 4.显卡驱动版本为410.104 5.gcc==4.8, cuda==10.0, cudnn == 7.6.4 ...

注：本文只是本人的通俗理解，有些专业概念表达不是很清楚，但我相信你读完可以理解该函数并会使用。 expand_dims(a, axis)中，a为numpy数组，axis为需添加维度的轴，a.shape将在该轴显示为1，通过索引调用a中元素时，该轴对应的索引一直为0。废话少说，实操为证： 本人使用jupyter notebook软件编程 1.一维数组：即向量 如上图所示，axis=0对应...

1.os.listdir() 用于返回指定的文件夹包含的文件或文件夹的名字的列表，它不包括 '.' 和'..' 即使它在文件夹中。 import os # 打开文件 path = "C:/Users/ch/Desktop/my/log/" dirs = os.listdir(path) # 输出所有文件和文件夹 for file in dirs: print(file) 结果...