xp_fangfei的博客

深度学习基础知识:回归、交并比、非极大抑制的介绍

目标检测单阶段算法yolov1原理讲解

解决“Could not locate zlibwapi.dll. Please make sure it is in your library path!”问题

CUDA文件的下载 CUDA文件下载地址 CUDA文件的安装 安装结果 环境变量的配置 CUDA安装结果验证

MobileNet网络专注于移动端或者嵌入式设备中的轻量级CNN，相比于传统卷积神经网络，在准确率小幅度降低的前提下大大减少模型参数与运算量。MobileNetV1提出了 Depthwise Separable Convolutions（深度可分离卷积）；深度可分离卷积过程被拆分成了两个部分：深度卷积（Depthwise Convolution）与逐点卷积层（Pointwise Convolution）。

图像分类：Pytorch图像分类之--ResNet模型；BN的介绍，残差块的介绍

VGG模型的详解，创新点的详解，以及程序的介绍

图像分类：Pytorch图像分类之--AlexNet模型，droupout()，如何制作自己的数据

Pytorch图像分类之LetNet模型，卷积池化基础知识，程序实现图片的分类

介绍主要的聚类算法

深度学习之tf.keras.preprocessing.image_dataset_from_directory()函数

深度学习之Epoch、Batch、Iteration的概念理解

数据标准化和归一化的介绍

RMSProp算法的全称叫 Root Mean Square Prop，是Geoffrey E. Hinton在Coursera课程中提出的一种优化算法，在Momentum优化算法中，虽然初步解决了优化中摆动幅度大的问题。但是对于参数更新过程，该摆动幅度还是可以进一步优化的，所以提出了RMSProp优化算法，以进一步减小再参数优化过程中的摆动幅度，......

有一种算法叫做Momentum，或者叫做动量梯度下降法，运行速度几乎总是快于标准的梯度下降算法，简而言之，Momentum算法在原有的梯度下降法中引入了动量。基本的想法就是计算梯度的指数加权平均数，并利用该梯度更新权重。引入动量比起普通梯度下降法主要能够增加两个优点。首先，引入动量能够使得物体在下落过程中，当遇到一个局部最优的时候有可能在原有动量的基础上冲出这个局部最优点；......

梯度下降法GD（Gradient Descent）批量梯度下降法 BGD（Batch Gradient Descent）随机梯度下降法SGD（Stochastic Gradient Descent）小批量梯度下降法 MBGD（Mini-Batch Gradient Descent）

卷积神经网络中训练参数Param个数的计算

深度学习之----LetNet之tensorflow2的实现

LeNet 介绍

roLabelImg的介绍roLabelImg是基于labelImg改进的，也是用来标注为VOC格式的数据，但是在labelImg的基础上增加了能够使标注的框进行旋转的功能。roLabelImg的下载地址：github链接：https://github.com/cgvict/roLabelImg安装依赖包安装pyqt4从https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyqt4下载对应的.whl文件，注意下载版本和python版本匹配在终端中cd到.

基于darknet框架yolov3训练自己数据问题：1. 问题一、CUDA Error: out of memory需要修改所使用的模型cfg文件中的subdivision的参数。由subdivisions=8改成subdivisions=64。subdivision：这个参数很有意思的，它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration。这样会降低对显存的占用情况。如果设置这个参数为1的话就是

最小二乘法：最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最 小，简单来说，就是通过最小化误差的平方和，使得拟合对象无限接近目标对象，这就是最小二乘的核心思想。最小二乘法还可用于曲线拟合。在此先列举一下最小二乘家族成员。最小二乘法直线拟合，最小二乘法多项式（曲线）拟合，机器学习中线性回归的最小二乘法，系统辨识中的最小二乘辨识法，参数估计中的最小二乘法，等等这里我们

@yolov3 + win10 训练自己的数据(这里写自定义目录标题)硬件设备i7-11800H +RTX3060准备数据数据标注在网上下载自己需要的数据集，或者自己通过摄像头获取自己需要训练的数据；通过标注工具labelImage进行标注，windows版下载链接：链接：https://pan.baidu.com/s/10jby2x-fL-iWDiJbCg55iw提取码：quo6打开labelImage，选择如下红框标注的按钮，用该模式标注出的文件满足yolo要求的训练数据格式，不用进行

win10 + vs2017 + opencv3.4 +CUDA11.1 yolov3 环境配置 # 前言前言darknet是vs2015编译的，使用vs2017也可以编译毕竟编译器都有向下兼容的能力，只要安装相应版本的平台工具集就可以使用；vs2017和opencv3.4 以及CUDA的配置1、设置相应版本的平台工具集（2015）2、分别配置opencv和CUDA的包含目录和库目录3、添加lib文件二、使用步骤1.引入库代码如下（示例）：import numpy as np

Win10+RTX3060机器学习环境配置1、下载准备2、下载安装Anaconda3、下载安装CUDA和CUDNN 3.1 cuda和cudnn下载 3.2 cuda和cudnn安装4、安装GPU版pytorch与TensorFlow 4.1 下载4.2 安装5、总结1、下载准备 相关的安装包比如Anaconda、CUDA、CUDNN、Pytorch、TensorFlow等都可以在python环境配置相关链接找到相应版本下载。这里所有的库都是下载到本地后再...