想到啥些啥，都是些我遇到的，很坑，但偏偏又有点蠢的问题。 路过进来的朋友可以ctrl+F搜一下有没有自己苦恼的问题。1，训练的模型使用越小（最小是yolov5n），帧数越高，自瞄间隔越短。        我一开始是用yolov5l训练，因为官方说这个综合评价最棒，结果训练出来的pt模型大小80多MB，跑程序帧数还低的一匹（我1650的显卡，垃圾的很）。后来群里有个大佬发了个13MB的，我试了一下，简直像用了海飞丝，乐死我了。一问才知道，训练出来的模型大小，是跟训练时使用官方模型大小有关，越小的越快越爽，虽然精度低了，但足够跑个fps游戏自瞄了。        （群友说10系显卡用n，20系用s

关于DenseNet的原理和具体细节，可参见上篇解读：经典神经网络论文超详细解读（六）——DenseNet学习笔记（翻译＋精读＋代码复现）接下来我们就来复现一下代码。DenseNet模型简介整个DenseNet模型主要包含三个核心细节结构，分别是DenseLayer(整个模型最基础的原子单元，完成一次最基础的特征提取，如下图第三行)、DenseBlock(整个模型密集连接的基础单元，如下图第二行左侧部分)和Transition(不同密集连接之间的过渡单元，如下图第二行右侧部分)，通过以上结构的拼接+分类层即可完成整个模型的搭建。DenseLayer层 包含BN+Relu+1*1Conv+BN+

关于DenseNet的原理和具体细节，可参见上篇解读：经典神经网络论文超详细解读（六）——DenseNet学习笔记（翻译＋精读＋代码复现）接下来我们就来复现一下代码。DenseNet模型简介整个DenseNet模型主要包含三个核心细节结构，分别是DenseLayer(整个模型最基础的原子单元，完成一次最基础的特征提取，如下图第三行)、DenseBlock(整个模型密集连接的基础单元，如下图第二行左侧部分)和Transition(不同密集连接之间的过渡单元，如下图第二行右侧部分)，通过以上结构的拼接+分类层即可完成整个模型的搭建。DenseLayer层 包含BN+Relu+1*1Conv+BN+

目录一、引言（环境） 二、正文1.代码基本情况介绍2.MNIST数据集介绍      3.代码输出结果介绍数据集取样：训练信息输出：前三次训练成果以及预测：八次训练的结果： 4.代码拆解讲解基本的参数设定MNIST数据集下载、保存与加载神经网络模型训练前的准备样本训练函数 测试函数模型的正式训练、测试、训练测试过程可视化、模型的使用从磁盘中加载模型并继续训练5.总体代码一、引言（环境）本代码基于Pytorch构成，IDE为VSCode，请在学习代码前寻找相应的教程完成环境配置。Anaconda和Pytorch的安装教程一抓一大把，这里给一个他人使用VSCode编辑器的教程：vscode+pyt

目录一、引言（环境） 二、正文1.代码基本情况介绍2.MNIST数据集介绍      3.代码输出结果介绍数据集取样：训练信息输出：前三次训练成果以及预测：八次训练的结果： 4.代码拆解讲解基本的参数设定MNIST数据集下载、保存与加载神经网络模型训练前的准备样本训练函数 测试函数模型的正式训练、测试、训练测试过程可视化、模型的使用从磁盘中加载模型并继续训练5.总体代码一、引言（环境）本代码基于Pytorch构成，IDE为VSCode，请在学习代码前寻找相应的教程完成环境配置。Anaconda和Pytorch的安装教程一抓一大把，这里给一个他人使用VSCode编辑器的教程：vscode+pyt

一、判断显卡种类判断你当前电脑的显卡是NVIDIA（N卡）还是AMD（A卡），Pytorch需要基于NVIDIA的显卡（N卡）上运行，A卡就不行了。二、安装CUDA、CUDNN（一定要注意对应版本！！！）2.1安装CUDA1.判断电脑应该装什么版本的CUDA。方式一：NVIDIA控制面板中查看方式二：CMD查看CMD中输入：nvidia-smi查看到本机可装CUDA版本12.0，版本向下兼容，意思就是CUDA12.0及以下版本的都可以安装，但一般不建议使用最新版本的，因为可能后续其他安装包没有更新对应版本的可以下载，所以最好选CUDA12.0以前的一到两个版本，我这里选择的是CUDA11.6，

一、判断显卡种类判断你当前电脑的显卡是NVIDIA（N卡）还是AMD（A卡），Pytorch需要基于NVIDIA的显卡（N卡）上运行，A卡就不行了。二、安装CUDA、CUDNN（一定要注意对应版本！！！）2.1安装CUDA1.判断电脑应该装什么版本的CUDA。方式一：NVIDIA控制面板中查看方式二：CMD查看CMD中输入：nvidia-smi查看到本机可装CUDA版本12.0，版本向下兼容，意思就是CUDA12.0及以下版本的都可以安装，但一般不建议使用最新版本的，因为可能后续其他安装包没有更新对应版本的可以下载，所以最好选CUDA12.0以前的一到两个版本，我这里选择的是CUDA11.6，

model._modules.items()是一个包含模型所有子模块的迭代器。在PyTorch中，当我们定义一个nn.Module子类时，我们可以使用nn.Sequential或nn.ModuleDict等容器类将多个子模块组合成一个整体。在这种情况下，我们可以通过访问nn.Module类中的_modules属性来访问这些子模块。_modules是一个有序字典，其中键是子模块的名称，值是子模块对象。例如，在下面的示例中，我们使用nn.Sequential容器组合了两个卷积层：importtorch.nnasnnclassMyModel(nn.Module):def__init__(self):

前言YOLOv3（《Yolov3:Anincrementalimprovement》）是JosephRedmon大佬关于YOLO系列的最后一篇，由于他反对将YOLO用于军事和隐私窥探，2020年2月宣布停止更新YOLO。 YOLOv3在YOLOv2的基础上改良了网络的主干，利用多尺度特征图进行检测，改进了多个独立的Logisticregression分类器来取代softmax来预测类别分类。这篇论文（或许称它为学术报告更合适）相当有趣，是我目前读过最欢乐的一篇了。十分建议大家读读原文，感受任性大佬的幽默感。学习资料： 论文原文：YOLOv3.pdf(pjreddie.com)项目源码：mirr

1、YOLOV5的超参数配置文件介绍YOLOv5有大约30个超参数用于各种训练设置。它们在*xml中定义。/data目录下的Yaml文件。更好的初始猜测将产生更好的最终结果，因此在进化之前正确地初始化这些值是很重要的。如果有疑问，只需使用缺省值，这些缺省值是为YOLOv5COCO训练从头优化的。YOLOv5的超参文件见data/hyp.finetune.yaml（适用VOC数据集）或者hyo.scrach.yaml（适用COCO数据集）文件1、yolov5/data/hyps/hyp.scratch-low.yaml(YOLOv5COCO训练从头优化，数据增强低)#Hyperparameter