一行一生

1、NMS的原理NMS（Non-Maximum Suppression）算法本质是搜索局部极大值，抑制非极大值元素。NMS就是需要根据score矩阵和region的坐标信息，从中找到置信度比较高的bounding box。NMS是大部分深度学习目标检测网络所需要的，大致算法流程为：1.对所有预测框的置信度降序排序2.选出置信度最高的预测框，确认其为正确预测，并计算他与其他预测框的IOU3.根据2中计算的IOU去除重叠度高的，IOU>threshold就删除4.剩下的预测框返回第1步

1，遇到Nan怎么办？除0问题。这里实际上有两种可能，一种是被除数的值是无穷大，即Nan，另一种就是除数的值是0。之前产生的Nan或者0，有可能会被传递下去，造成后面都是Nan。请先检查一下神经网络中有可能会有除法的地方，例如softmax层，再认真的检查一下数据。我有一次帮别人调试代码，甚至还遇到过，训练数据文件中，有些值就是Nan。。。这样读进来以后，开始训练，只要遇到Nan的数据，后面也就Nan了。可以尝试加一些日志，把神经网络的中间结果输出出来，看看哪一步开始出现Nan。后面会介绍Theano的

基础知识：CBL：由Conv+Bn+Leaky_relu激活函数三者组成。CBM： Yolov4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成。DBL：代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合.CSP:CSPNet全称是Cross Stage Partial Networks，也就是跨阶段局部网络,CSPNet解决了其他.

从PyTorch v1.6.0开始，中的功能torch.distributed可以分为三个主要组件：分布式数据并行培训（DDP）是一种广泛采用的单程序多数据培训范例。使用DDP，可以在每个流程上复制模型，并且每个模型副本都将获得一组不同的输入数据样本。DDP负责梯度通信，以保持模型副本同步，并使其与梯度计算重叠，以加快训练速度。 基于RPC的分布式培训（RPC）旨在支持无法适应数据并行培训的常规培训结构，例如分布式管道并行性，参数服务器范式以及DDP与其他培训范式的组合。它有助于管理远程对象的生命..

神经网络的典型训练过程如下：定义具有一些可学习参数（或权重）的神经网络 遍历输入数据集 通过网络处理输入 计算损失（输出正确的距离有多远） 将梯度传播回网络参数 通常使用简单的更新规则来更新网络的权重：weight=weight-learning_rate*gradient待续。。。。。。。。。。。。。。。。。。。。...

现阶段 app 上使用的算法模型主要有两种模式：Online 方式首先在移动端做初步预处理，然后把数据传到服务器进行预测后返回移动端。优点：部署相对简单，现成的框架（caffe，theano，mxnet，Torch) 做下封装就可以直接拿来用；使用服务器进行计算，性能强，能够处理比较大的模型缺点：必须使用网络，而且展示效果依赖网速，不适合实时性要求高的应用。Offline 方式根据硬件的性能选择模型，在服务器训练得到模型，在手机上进行预测的过程。优点：不需要使用网络，可以保护隐...

tensorflow lite源码编译和android端部署详解一本篇文章主要讲通过编译tensorflow源码生成libtensorflowlite.jar 和 libtensorflowlite_jni.so库关于android部署关注和代码将在下篇博客介绍1.下载tensorflow源码https://github.com/tensorflow/tensorflow点击clone下载源码zip文件，并解压到自己目录中2. 下载baze...

（一）Python是什么 ？ Python是一种跨平台的计算机程序设计语言。 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，更多被用于独立的、大型项目的开发。很多高校和大专院校的计算机课程均采用Python作为入门语言。（二）Python的优点1.简单：Python是一种代表简单主义思想的语言。阅读一个良好的Python程序就感觉像是在读英语一样。它使你能够专注于解决问题而不是去搞明白...

# coding:utf8import numpy as npimport matplotlib.pyplot as pltn = 0 # 迭代次数lr = 0.10 # 学习速率# 输入数据X = np.array([[1, 1, 2, 3], [1, 1, 4, 5], [1, 1, 1, 1], [1, 1, 5, 3], [1, 1, 0, 1]])print(X).