>>>深度学习Tricks，第一时间送达目录RepVGG——极简架构，SOTA性能！！！（一）前沿介绍

以yolov5sv3为例：anchor长啥样及怎么得到的？以下是yolov5v3.0中的anchoranchors:1.[10,13,16,30,33,23]#P3/8 608/8=762.[30,61,62,45,59,119]#P4/16 608/16=383.[116,90,156,198,373,326]#P5/32 608/32=19为啥anchor一共是3行呢？答：这里指的是在三个不同分辨率的特征图上的anchor，能够分别对大、中、小目标进行计算。第一行在最大的特征图上----小数值检测大的目标第二行在第二大的特征图上第三行在最小的特征图上----大数值检测小的目标为啥anc

目录一、前言二、使用coco128数据集进行训练2.1数据集准备2.2进行训练 三、使用自己制作的数据集进行训练和测试3.1制作自己的数据集3.2开始训练3.3模型测试四、让输入图片显示标签数量​​​​​​​一、前言 1.本文的目的在于帮助读者实现yolov5的训练，测试以及使用，偏重应用，将有较少代码讲解2.本文将首先示范使用coco128数据集进行训练，向读者展示整个模型的使用过程，之后介绍如何制作自己的数据集并进行训练，最后一部分讲解如何让输出图片显示各个标签数量3.本文使用的数据集coco128放在网盘里了，如果没有这个数据集的话可以去网盘上下载，yolov5的环境配置可以参考站内其他

pytorch稀疏矩阵（torch.sparse）Pytorch稀疏矩阵处理稀疏矩阵存储方式1.COO2.CSR/CSC3.LIL稀疏矩阵的处理1.torch.sparse.FloatTensor类2.torch.sparse.mm3.torch.sparse.sum参考资料Pytorch稀疏矩阵处理本文将简单介绍稀疏矩阵常用的存储方式和Pytorch中稀疏矩阵的处理方法。常用的稀疏矩阵存储格式有COO，CSR/CSC，LIL。稀疏矩阵存储方式1.COOCOO(Coordinateformat)是最为简单的格式，以三元组的形式存储稀疏矩阵。记录矩阵中非零元素的数值和所在的行序号和列序号。形式为

目录一、YOLOv51、YOLOv5介绍2、YOLOV5的整体架构图3、MobileViT介绍二、YOLOv5与MobileViT的结合1、YOLOv5网络结构回顾2、MobileViT网络结构介绍3、YOLOv5替换骨干网络为MobileViT的优势三、MobileViT的细节与实现1、ViT与MobileNetV3的结合2、MobileViT网络结构细节3、MobileViT的实现细节四、MobileViT替换YOLOv5骨干网络1、YOLOv5骨干网络替换步骤2、MobileViT替换后的YOLOv5网络结构3、训练MobileViT-YOLOv5模型的技巧五、MobileViT-YOL

在卷积网络中通道注意力经常用到SENet模块，来增强网络模型在通道权重的选择能力，进而提点。关于SENet的原理和具体细节，我们在上一篇已经详细的介绍了：经典神经网络论文超详细解读（七）——SENet（注意力机制）学习笔记（翻译＋精读＋代码复现）接下来我们来复现一下代码。因为SENet不是一个全新的网络模型，而是相当于提出了一个即插即用的高性能小插件，所以代码实现也是比较简单的。本文是在ResNet基础上加入SEblock模块进行实现ResNet_SE50。 一、SENet结构组成介绍​ 上图为一个SEblock，由SEblock块构成的网络叫做SENet；可以基于原生网络，添加SEblock

在卷积网络中通道注意力经常用到SENet模块，来增强网络模型在通道权重的选择能力，进而提点。关于SENet的原理和具体细节，我们在上一篇已经详细的介绍了：经典神经网络论文超详细解读（七）——SENet（注意力机制）学习笔记（翻译＋精读＋代码复现）接下来我们来复现一下代码。因为SENet不是一个全新的网络模型，而是相当于提出了一个即插即用的高性能小插件，所以代码实现也是比较简单的。本文是在ResNet基础上加入SEblock模块进行实现ResNet_SE50。 一、SENet结构组成介绍​ 上图为一个SEblock，由SEblock块构成的网络叫做SENet；可以基于原生网络，添加SEblock

写在前面类激活热力图：用于检查图像哪一部分对模型的最终输出有更大的贡献。具体某个类别对应到图片的那个区域响应最大，也就是对该类别的识别贡献最大pytorch-grad-cam库代码GitHub代码如果只想跑个图的话不用下！作用：一是清晰直观的看看到底影响检测结果的特征；而是cv论文里出图真的很好看本篇只是跑了代码给的猫狗图，下一篇要写如何可视化其他类别实战先上跑完结果使用的是resnet50，可以看出其关注度不仅仅只有狗，还有后面的背景，这会对以后的检测结果造成影响实战1.安装pytorch-grad-cam在pycharm终端中输入pipinstallgrad-cam我之前安装过了，页面如下

目录卷积神经网络前言卷积运算：卷积运算中几个常用的参数1.padding2.stride3.MaxPoolingLayer实战演练设计一个卷积神经网络GPU的使用整体代码：运行结果卷积神经网络前言若将图像数据输入全连接层，可能会导致丧失一些位置信息卷积神经网络将图像按照原有的空间结构保存，不会丧失位置信息。卷积运算：1.以单通道为例：将将input中选中的部分与kernel进行数乘：以上图为例对应元素相乘结果为211，并将结果填入output矩阵的左上角得到：最终得到的结果为：2.三通道卷积三个通道分别利用三个卷积核进行计算，并将结果相加得到最终定格结果。那么我们可以得到n个通道的卷积过程若希

简介pytorch多卡相应内容学习总结，本着勤能补拙的态度，希望能够更好地提升自我能力。1.服务器信息查询CPU查询#查看CPU信息cat/proc/cpuinfo|grep"physicalid"|uniq|wc-l#查看CPU个数cat/proc/cpuinfo|grep"cpucores"|uniq#查看CPU核数cat/proc/cpuinfo|grep'modelname'|uniq#查看CPU型号GPU查询#查看GPU信息sudodpkg--list|grepnvidia-*#查看驱动版本lshw-cvideo#查看显卡型号$lspci|grep-invidia#可以查询所有nvi