一、基本电路形式与特点这是一个双端输入，双端输出1、元件参数对称2、放大差模信号，抑制共模信号。3、有效克服零点漂移4、双电源5、UI1=UI2时，UO=0;二、工作原理1、定义共模信号：数值相等，极性相同的输入信号差模信号：数值相等，极性相反的收入信号2、静态分析 这里先对，三极管下半部分分析。以接地点分析：则： （2-1）由于两边参数一致：有： （2-2）将式(2-1)带入（2-2）得：再对上半部分分析，3、动态分析(1）差模输入在输入端，输入两个大小相同、方向相反的信号有：Re的作用是稳定Q点（静态工作点），提高共模抑制能力。这里有交流通路下的差分放大电路图：因为电压恒定不变，所
网上关于Adam优化器的讲解有很多，但总是卡在某些部分，在此，我将部分难点解释进行了汇总。理解有误的地方还请指出。Adam，名字来自：AdaptiveMomentEstimation，自适应矩估计。是2014年提出的一种万金油式的优化器，使用起来非常方便，梯度下降速度快，但是容易在最优值附近震荡。竞赛中性能会略逊于SGD，毕竟最简单的才是最有效的。但是超强的易用性使得Adam被广泛使用。Adam的推导公式：解释：第一项梯度就是损失函数对求偏导。第二项为t时刻，梯度在动量形式下的一阶矩估计。第三项为梯度在动量形式下的二阶矩估计。第四项为偏差纠正后的一阶矩估计。其中：是贝塔1的t次方，下面同理。第
网上关于Adam优化器的讲解有很多，但总是卡在某些部分，在此，我将部分难点解释进行了汇总。理解有误的地方还请指出。Adam，名字来自：AdaptiveMomentEstimation，自适应矩估计。是2014年提出的一种万金油式的优化器，使用起来非常方便，梯度下降速度快，但是容易在最优值附近震荡。竞赛中性能会略逊于SGD，毕竟最简单的才是最有效的。但是超强的易用性使得Adam被广泛使用。Adam的推导公式：解释：第一项梯度就是损失函数对求偏导。第二项为t时刻，梯度在动量形式下的一阶矩估计。第三项为梯度在动量形式下的二阶矩估计。第四项为偏差纠正后的一阶矩估计。其中：是贝塔1的t次方，下面同理。第
论文地址：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanismGitHub：https://github.com/Instinct323/wiou摘要：目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EI
论文地址：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanismGitHub：https://github.com/Instinct323/wiou摘要：目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EI
diffusionmodel是2015年的一篇文章，https://arxiv.org/pdf/1503.03585.pdf但是2020年的DDPM之后，才开始逐渐火起来的，https://arxiv.org/abs/2006.11239diffusionmodel最近DiffusionModel被用在于图片生成模型当中，当前很多的模型都在使用diffusionmodel作为生成范式，如GLIDE，DALLE2,Imagen，和一系列ImageEditing方法等等）。diffusionmodel相对于VAE、GAN模型的优点在于，其具有更多的可能性。为什么叫做diffusionmodel?
diffusionmodel是2015年的一篇文章，https://arxiv.org/pdf/1503.03585.pdf但是2020年的DDPM之后，才开始逐渐火起来的，https://arxiv.org/abs/2006.11239diffusionmodel最近DiffusionModel被用在于图片生成模型当中，当前很多的模型都在使用diffusionmodel作为生成范式，如GLIDE，DALLE2,Imagen，和一系列ImageEditing方法等等）。diffusionmodel相对于VAE、GAN模型的优点在于，其具有更多的可能性。为什么叫做diffusionmodel?
目录一、简介二、基础知识三、标准初始化方法四、Xavier初始化的假设条件五、Xavier初始化的简单的公式推导： 六、Pytorch实现： 七、对比实验1.各层激活值直方图2.各层反向传播的梯度（关于状态的梯度）的分布情况3.各层参数梯度的分布情况4.各层权重梯度方差的分布情况八、总结深度学习参数初始化系列：（一）Xavier初始化含代码（二）Kaiming初始化含代码一、简介 网络训练的过程中,容易出现梯度消失(梯度特别的接近0)和梯度爆炸(梯度特别的大)的情况,导致大部分反向传播得到的梯度不起作用或者起反作用.研究人员希望能够有一种好的权重初始化方法:让网络前向传播或者反向
目录一、简介二、基础知识三、标准初始化方法四、Xavier初始化的假设条件五、Xavier初始化的简单的公式推导： 六、Pytorch实现： 七、对比实验1.各层激活值直方图2.各层反向传播的梯度（关于状态的梯度）的分布情况3.各层参数梯度的分布情况4.各层权重梯度方差的分布情况八、总结深度学习参数初始化系列：（一）Xavier初始化含代码（二）Kaiming初始化含代码一、简介 网络训练的过程中,容易出现梯度消失(梯度特别的接近0)和梯度爆炸(梯度特别的大)的情况,导致大部分反向传播得到的梯度不起作用或者起反作用.研究人员希望能够有一种好的权重初始化方法:让网络前向传播或者反向
在学习SAR成像相关算法之前，首先要掌握信号处理相关基础算法。比如传统算法中的傅里叶变换、匹配滤波、线性调频信号去斜处理；还有新兴算法中涉及的分数阶傅里叶变换、压缩感知、最优化理论等。（1）傅里叶变换与卷积傅立叶变换是一种分析信号的方法，它可分析信号的成分（参考傅里叶级数分解，如下图），也可用这些成分合成信号。在不同的领域中，傅里叶的有不同的表达形式。通俗的将傅里叶变化是将时域信号变换到它所对应的频域。其变换关系为：在SAR成像中，通常使用的是快速傅里叶变换FFT，FFT是离散傅氏变换（DFT）的快速算法。它是根据离散傅里叶变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。DF
