深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。注：因为有些朋友喜欢的是逐句逐句的看代码解析，所以我整理了两份，一份是逐份逐份分析代码，一份是完整代码解析（解析全在注释里，直接复制粘贴到VScode上看会更舒服些），两份都是一样的。目录一、Boundingbox损失函数1、IOU_Loss2、YOLOv5所用的损失函数--CIOU_Loss 二、NMS非极大值抑制1、提出原因2、YOLO识别原理3、NMS是啥呢？三、源码分析（Yolo.py中的classDetect）1、逐份逐份分析版2、代码注释分析一体化一、Boundingbo

大家好，今天和各位分享一下深度强化学习中的Actor-Critic演员评论家算法，Actor-Critic算法是一种综合了策略迭代和价值迭代的集成算法。我将使用该模型结合OpenAI中的Gym环境完成一个小游戏，完整代码可以从我的GitHub中获得：https://github.com/LiSir-HIT/Reinforcement-Learning/tree/main/Model1.算法原理根据agent选择动作方法的不同，可以把强化学习方法分为三大类：行动者方法(Actor-only)，评论家方法(Critic-only)，行动者评论家方法(Actor-critic)。行动者方法中不会对值

大家好，今天和各位分享一下深度强化学习中的Actor-Critic演员评论家算法，Actor-Critic算法是一种综合了策略迭代和价值迭代的集成算法。我将使用该模型结合OpenAI中的Gym环境完成一个小游戏，完整代码可以从我的GitHub中获得：https://github.com/LiSir-HIT/Reinforcement-Learning/tree/main/Model1.算法原理根据agent选择动作方法的不同，可以把强化学习方法分为三大类：行动者方法(Actor-only)，评论家方法(Critic-only)，行动者评论家方法(Actor-critic)。行动者方法中不会对值

图表📈作为一种直观展示研究成果最有效的方式。在点开一篇论文的时候，一般我们都是首先看标题，接着扫一眼摘要和第一个图表📈，然后看两句引言，正文是不怎么会看的，全都是通过一连串的图表来汇总论文信息。最后读一下结论。需要大量阅读文献的时候，甚至只看论文标题和图表。一般读者的阅读习惯是这样，期刊审稿人其实也一样。而且他们看了太多太多的已发表的和投稿的论文，所以对所指清晰且信息丰富的图表那肯定是更加敏感。把图表做好，能让审稿人特别感兴趣，会大大提高过稿的机会。相对来说，增加图表设计，这样才能让你的结果或者结论更加“炫酷”地展示出来。知名论文基本上清一色的在首页展示Figure1图表📈：同理，我们在写作的

图表📈作为一种直观展示研究成果最有效的方式。在点开一篇论文的时候，一般我们都是首先看标题，接着扫一眼摘要和第一个图表📈，然后看两句引言，正文是不怎么会看的，全都是通过一连串的图表来汇总论文信息。最后读一下结论。需要大量阅读文献的时候，甚至只看论文标题和图表。一般读者的阅读习惯是这样，期刊审稿人其实也一样。而且他们看了太多太多的已发表的和投稿的论文，所以对所指清晰且信息丰富的图表那肯定是更加敏感。把图表做好，能让审稿人特别感兴趣，会大大提高过稿的机会。相对来说，增加图表设计，这样才能让你的结果或者结论更加“炫酷”地展示出来。知名论文基本上清一色的在首页展示Figure1图表📈：同理，我们在写作的

1保存在验证集上表现最好的那一轮模型1验证集的作用就是监督训练是否过拟合；一般默认验证集的损失值经历由下降到上升的阶段；保存在验证集上损失最小的那个迭代模型，其泛化能力应该最好；#在训练部分计算验证集损失值，保存最小损失值对应的那个模型model=BotRGCN()#自定义模型实例化，（）中可以传定义的参数deftrain(epoch,min_loss):model.train()output=model()#自动调用定义的forward函数，在()中传相应参数loss_train=loss(output[et.train_idx],de.labels[et.train_idx])acc_tr

1保存在验证集上表现最好的那一轮模型1验证集的作用就是监督训练是否过拟合；一般默认验证集的损失值经历由下降到上升的阶段；保存在验证集上损失最小的那个迭代模型，其泛化能力应该最好；#在训练部分计算验证集损失值，保存最小损失值对应的那个模型model=BotRGCN()#自定义模型实例化，（）中可以传定义的参数deftrain(epoch,min_loss):model.train()output=model()#自动调用定义的forward函数，在()中传相应参数loss_train=loss(output[et.train_idx],de.labels[et.train_idx])acc_tr

 Failedtoinitialize:Badgitexecutable.Thegitexecutablemustbespecifiedinoneofthefollowingways:  -beincludedinyour$PATH  -besetvia$GIT_PYTHON_GIT_EXECUTABLE  -explicitlysetviagit.refresh()Allgitcommandswillerroruntilthisisrectified.Thisinitialwarningcanbesilencedoraggravatedinthefuturebysettingthe$GIT_

说明：本人也是一个萌新，也在学习中，有代码里也有不完善的地方。如果有错误/讲解不清的地方请多多指出本文代码链接:GitHub-Michael-OvO/mnist:mnist_trained_modelwithtorch明确任务目标：使用pytorch作为框架使用mnist数据集训练一个手写数字的识别换句话说：输入为输出:0比较简单直观1.环境搭建 需要安装Pytorch,具体过程因系统而异，这里也就不多赘述了具体教程可以参考这个视频（这个系列的P1是环境配置）PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili【已完结！！！已完结！！！2021年5月31日

目录YOLOv5目标检测算法前沿一.网络结构1.1.Backbone1.2.Neck1.3.Head二.数据增强2.1.Mosaic2.2.Copypaste2.3.Randomaffine2.4.Mixup2.5.Albumentation2.6.AugmentHSV2.7.Randomhorizontalflip三.训练策略3.1.Multi-scaletraining3.2.Autoanchor3.3.WarmupandCosine3.4.EMA3.5.Mixedpresion3.5.Evolvehype-parameters四.损失函数YOLOv5目标检测算法前沿  前四篇文章我们讲了