YMilton的专栏

1. NN-SVG麻省理工学院弗兰克尔生物工程实验室, 该实验室开发可视化和机器学习工具用于分析生物数据。GitHub地址：https://github.com/zfrenchee画图工具体验地址：http://alexlenail.me/NN-SVG/2. PlotNeuralNet萨尔大学计算机科学专业的一个学生开发。https://github.com/HarisI...

梯度下降法，主要通过梯度方向与学习率两个值，一步一步迭代求出最优值的过程。1. 随机产生开始迭代的初始值，包括x值，学习率；2. 计算函数的导数，通过学习率与导数的乘积更新x，即其中是学习率，是函数的导数。3. 用更新的x，更新y，重复2与3，直到相邻两个y值相同，或者相邻两个y的差值小于某个值终止。假设以为例，则相关python代码实现如下：# 第一步：随机生成一个...

"[...]"、"[::]"与torch.cat的解析YOLOv5中common.py的函数Focus.forward，返回为self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))，这句话的解析。def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2) return self.conv(

前向传播中，batch_norm与conv的融合1. batch_norm层的前向传播其中mean(X)表示训练过程中得到的滑动平均值，var(X)表示训练过程中得到的滑动方差。具有泛化整个训练过程所有的图片的像素值。表示缩放因子，表示为平移因子，为学习过程中学习到的值。2. conv层的前向传播其中W表示为卷积核，b表示为偏置，卷积层一般为0。3. 合并batch_norm与conv4. darknet中的函数fuse_conv_batchnorm...

Batch_Norm公式推导与Darknet代码理解论文：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》URL：https://arxiv.org/pdf/1502.03167.pdf1. Batch_Norm的正向推导2. Batch_Norm反向推导其中对均值与xi的求导会用到复合函数的求导计算：3. darknet代码3.

yolov2的reorg数据理解 以上是yolov2的reorg层在整个yolov2网络的示意图。yolov2的reorg层的输入是38x38x64=92416，通过reorg重组得到输出19x19x256。本文需要理解的是reorg是如何重组的。1.reorg的darknet代码2. 根据程序理解矩阵重组本文只考虑长、宽、通道维度上的变化过程。(1) 根据yolov2中的参数，可以得到reorg层：stride=2, in_c=64, [out_w, out_h...

1. yolov4-tiny配置文件示意图其中yolov4-tiny.cfg文件[route]中多出了groups与group_id

目标检测中的非极大值抑制之代码解析(Python)1. 非极大值抑制函数代码# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef non_max_suppression(prediction, conf_thres=0.5, nms_thres=0.4): """ 剔除目标置信度小

目标检测评估计算（Python+Pytorch）代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv31. 检测的评估函数# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef ap_per_class(tp, conf, pre