weixin_48888528的博客

它的主要作用是增加模型的泛化能力，并提高网络的精度。dropout 的概率在 0.1 到 0.5 之间，dropout的概率为0.1表示在每次训练时，对于每个神经元（或节点）来说，有10%的概率被随机删除，不参与该次训练。提高模型鲁棒性：dropout可以随机地破坏参数之间的相关性，促进网络中参数的独立性，从而提高模型的鲁棒性，使得模型对于噪音和扰动的容忍能力更强。增强模型泛化能力：通过dropout操作，模型学习到的特征会更加丰富和多样化，这可以增强模型的泛化能力，提高模型在未见过数据上的表现。

linux服务器上查看显卡(nvidia)型号问题

yolo v5 缺陷检测项目环境创建

安装GPU显卡驱动导致开机闪屏无法进入桌面

TypeError: can‘t convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to

yolo v5 报错：AttributeError: ‘Hardswish‘ object has no attribute ‘inplace‘

查看笔记本最高支持cuda版本

解决ImportError: /usr/lib/x86_64-linux-gnu/libstdc++.so.6: version `GLIBCXX_3.4.29‘ not found

yolov5 训练出现KeyError错误(KeyError: '../NEU-DET/valid/images/crazing_1.jpg)

深度神经网络基础-池化

解决ModuleNotFoundError: No module named ‘torch.fx‘

在执行目标检测任务时，算法可能对同一目标有多次重复检测。检测可能输出多个候选框，通过将候选框得分进行排序，把不是最大值的抑制掉，只保留一个最优的框。分类器判断是不是，检测器用滑动窗口生成多个候选框，送给分类器判断。能让你确保算法只对每个对象得到一个检测框的方法。

感受野-神经网络基础

yolov5测试步骤