前言支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。SVM尝试寻找一个最优决策边界，使距离两个类别最近的样本最远。SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernelmethod）进行非线性分类，是常见的核学习（kernellearning）方法之一SVM原理引入直观理解对数据进行分类，当超平面数据点‘间隔’越大，分类的确信度也越大。我们上面用的棍子就是分类平面。支持向量我们可以看到决定分割面其实只有上面4个红色的点决定的，这四个点就叫做支
YOLO系列—YOLOV7算法（三）：YOLOV7算法train.py代码解析先介绍下每个参数的含义（直接在代码上写吧）parser=argparse.ArgumentParser()parser.add_argument('--weights',type=str,default='',help='initialweightspath')#初始化权重文件，如果有预训练模型，可以直接在此加载parser.add_argument('--cfg',type=str,default=r'E:\work\People_Detect\yolov7-main\cfg\training\yolov7x.ya
YOLO系列—YOLOV7算法（三）：YOLOV7算法train.py代码解析先介绍下每个参数的含义（直接在代码上写吧）parser=argparse.ArgumentParser()parser.add_argument('--weights',type=str,default='',help='initialweightspath')#初始化权重文件，如果有预训练模型，可以直接在此加载parser.add_argument('--cfg',type=str,default=r'E:\work\People_Detect\yolov7-main\cfg\training\yolov7x.ya
目录一、tools/train.py二、源码详解三、核心函数详解（一）build_detector（mmdet/models/builder.py）（二） build_dataset（mmdet/datasets/builder）（三） train_detector（mmdet/apis/train.py）（四）set_random_seed：（五）get_root_logger：一、tools/train.py可选参数:#===========optionalarguments===========#--work-dir存储日志和模型的目录#--resume-from加载checkpoint
目录一、tools/train.py二、源码详解三、核心函数详解（一）build_detector（mmdet/models/builder.py）（二） build_dataset（mmdet/datasets/builder）（三） train_detector（mmdet/apis/train.py）（四）set_random_seed：（五）get_root_logger：一、tools/train.py可选参数:#===========optionalarguments===========#--work-dir存储日志和模型的目录#--resume-from加载checkpoint
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
零基础入门金融风控之贷款违约预测挑战赛赛题理解赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。通过这道赛题来引导大家了解金融风控中的一些业务背景，解决实际问题，帮助竞赛新人进行自我练习、自我提高。项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl比赛地址：https://tianchi.aliyun.com/competition/entrance/531830
零基础入门金融风控之贷款违约预测挑战赛赛题理解赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。通过这道赛题来引导大家了解金融风控中的一些业务背景，解决实际问题，帮助竞赛新人进行自我练习、自我提高。项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl比赛地址：https://tianchi.aliyun.com/competition/entrance/531830
ROIPooling和ROIAlign的区别MaskR-CNN网络结构骨干网络FPNanchor锚框生成规则实验参考资料MaskRCNN是作者KaimingHe于2018年发表的论文ROIPooling和ROIAlign的区别UnderstandingRegionofInterest—(RoIAlignandRoIWarp)MaskR-CNN网络结构MaskRCNN继承自FasterRCNN主要有三个改进：featuremap的提取采用了FPN的多尺度特征网络ROIPooling改进为ROIAlign在RPN后面，增加了采用FCN结构的mask分割分支网络结构如下图所示：可以看出，MaskRC
