原创 YOLO-V3簡單介紹

yolo-v2簡單介紹 YOLO-v3:論文  參考翻譯:YOLO v3 論文翻譯  yolo-v3的詳細網絡結構,方便更清楚的瞭解細節:

原创 第八章---計算機視覺實戰

E:\python\ai_cv\chp8_cv_theory\01-目標檢測\資料\項目10_目標檢測作業數據 ├─01_行人目標檢測(github) │  ├─annotations │  ├─images │  ├─object_de

原创 jupyter notebook環境配置

目錄   一、更換主題 二、顯示目錄 一、更換主題 1、安裝jupyter主題:pip install jupyterthemes 2、查看可用主題:jt -l 3、選用主題: 一般使用 jt - t monokai即可,其他設置默認

原创 tf.losses模塊下的tf.reduction

下面以常用的softmax_cross_entropy() 函數爲例,做一個詳細介紹。 tf.losses.softmax_cross_entropy( onehot_labels, # 注意此處參數名就叫 onehot_la

原创 排序算法(正在更新中...)

目錄  1、冒泡算法排序  1、冒泡算法排序 具體的算法代碼:12_冒泡算法的代碼實現.py 冒泡排序的時間複雜度爲O(n^2),這種排序算法是穩定的。 優化:有可能在中間的某一步就排好序了,這時就不用再往下執行排序了。 2、選擇排序算

原创 06 You Only Look Once-V1學習筆記

參考文章: https://blog.csdn.net/woduoxiangfeiya/article/details/80866155(質量一般,還得對照原文看) https://zhuanlan.zhihu.com/p/5871689

原创 達叔的正交化(第三課3.2)

搭建機器學習系統的挑戰之一就是可以嘗試和改變的東西太多太多了,如有那麼多的參數可以調整。達叔注意到那些效率很高的機器學習專家有個特點,他們思路清晰對於調整什麼來達到某個效果,他們非常清楚,這個步驟就稱之爲正交化。(就像一臺老式電視的很多按

原创 python數據結構與算法刷題

說不清楚,只能看代碼理解的用紅色標出  查找算法:查找較排序來說較簡單,不外乎順序查找和二分查找、哈希表查找和二叉排序樹查找。(很多面試官喜歡讓應聘者寫出二分查找(如test53)的代碼)【注意:二分查找傳入的必須是排好序的數組】 排序算

原创 ResNet論文學習筆記

原作地址:https://arxiv.org/abs/1512.03385 參考文章: https://blog.csdn.net/qq_28385535/article/details/90739694(條理章節清晰) https://

原创 09 《Focal Loss for Dense Object Detection》學習筆記

參考網址: RetinaNet——《Focal Loss for Dense Object Detection》論文翻譯(這篇文章基本上完全翻譯了論文內容,還是比較詳細的,我再閱讀時主要參考了這篇) 論文網址:Focal Loss

原创 目標檢測值faster rcnn、SSD和yolo系列的樣本標定

目錄 1、faster rcnn的正負樣本標定原則 2、SSD中的正負樣本標定原則  3、YOLO系列的標定原則 4、三個網絡的Anchor詳解  1、faster rcnn的正負樣本標定原則 主要是體現在faster rcnn中的RPN

原创 查找算法(正在更新中...)

1、二分查找 再次強調:二分查找僅適用於有序的順序表; 二分查找的到嗎實現:遞歸的實現方式和非遞歸的實現方式; 遞歸或非遞歸實現的二分查找的最壞時間複雜度都是O(log n), 最優時間複雜度爲O(1) 2、順序查找 數據本身沒有什麼特

原创 house-prices

分析報告一、探索性數據分析1 查看缺失值2 查看目標值的類型及分佈3 檢驗連續型特徵分佈是否服從正態性分佈4 對類變形變量進行初步探索二、特徵工程1 數據預處理01 構造訓練集、測試集的features及label02 缺失值處理

原创 04 InceptionV1學習筆記

論文地址:http://arxiv.org/pdf/1409.4842v1.pdf 參考文章: https://cloud.tencent.com/developer/article/1008768 https://blog.csdn.n

原创 alexnet論文學習筆記

(俗話說:大樹底下好乘涼,站在大佬的肩膀上我就可以少寫一點啦,哈哈) 原作地址:http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutiona