BCE（BinaryCrossEntropy）损失函数图像二分类问题--->多标签分类Sigmoid和Softmax的本质及其相应的损失函数和任务多标签分类任务的损失函数BCEPytorch的BCE代码和示例总结图像二分类问题—>多标签分类二分类是每个AI初学者接触的问题，例如猫狗分类、垃圾邮件分类…在二分类中，我们只有两种样本（正样本和负样本），一般正样本的标签y=1，负样本的标签y=0。比如下边这张图片，判断里边有没有人。那么这张图片的标签为y=1，这时我们就根据标签y=1来设计模型的输出就行了。因为二分类只有正样本和负样本，并且两者的概率之和为1，所以不需要预测一个向量，只需要输出一个概
BCE（BinaryCrossEntropy）损失函数图像二分类问题--->多标签分类Sigmoid和Softmax的本质及其相应的损失函数和任务多标签分类任务的损失函数BCEPytorch的BCE代码和示例总结图像二分类问题—>多标签分类二分类是每个AI初学者接触的问题，例如猫狗分类、垃圾邮件分类…在二分类中，我们只有两种样本（正样本和负样本），一般正样本的标签y=1，负样本的标签y=0。比如下边这张图片，判断里边有没有人。那么这张图片的标签为y=1，这时我们就根据标签y=1来设计模型的输出就行了。因为二分类只有正样本和负样本，并且两者的概率之和为1，所以不需要预测一个向量，只需要输出一个概
地址分配表设备接口IP地址子网掩码默认网关R1G0/0172.16.1.1255.255.255.0未提供S0/0/0172.16.3.1255.255.255.252未提供S0/0/1192.168.10.5255.255.255.252未提供R2G0/0172.16.2.1255.255.255.0未提供S0/0/0172.16.3.2255.255.255.252未提供S0/0/1192.168.10.9255.255.255.252未提供R3G0/0192.168.1.1255.255.255.0未提供S0/0/0192.168.10.6255.255.255.252未提供S0/0/1
地址分配表设备接口IP地址子网掩码默认网关R1G0/0172.16.1.1255.255.255.0未提供S0/0/0172.16.3.1255.255.255.252未提供S0/0/1192.168.10.5255.255.255.252未提供R2G0/0172.16.2.1255.255.255.0未提供S0/0/0172.16.3.2255.255.255.252未提供S0/0/1192.168.10.9255.255.255.252未提供R3G0/0192.168.1.1255.255.255.0未提供S0/0/0192.168.10.6255.255.255.252未提供S0/0/1
目录1、Nan和INF2、出现Nan和INF常见原因汇总3、原因分析与解决方法3.1、输入数据有误3.2、学习率过高-->梯度爆炸进-->Nan3.3、损失函数有误3.4、Pooling层的步长(stride)大于核(kernel)的尺寸 3.5、batchNorm可能捣鬼3.6、Shuffle设置有没有乱动3.7、设置远距离的Label会得到NAN4、解决方案：本质就是调整输入数据在模型运算过程中的值域4.1、模型权重加入正则化，约束参数的大小4.2、模型中加入BatchNormalization，归一化数据4.3、使用带上限的激活函数，例如relu6函数4.4、在losse函数运算前进行值
目录1、Nan和INF2、出现Nan和INF常见原因汇总3、原因分析与解决方法3.1、输入数据有误3.2、学习率过高-->梯度爆炸进-->Nan3.3、损失函数有误3.4、Pooling层的步长(stride)大于核(kernel)的尺寸 3.5、batchNorm可能捣鬼3.6、Shuffle设置有没有乱动3.7、设置远距离的Label会得到NAN4、解决方案：本质就是调整输入数据在模型运算过程中的值域4.1、模型权重加入正则化，约束参数的大小4.2、模型中加入BatchNormalization，归一化数据4.3、使用带上限的激活函数，例如relu6函数4.4、在losse函数运算前进行值
损失函数写在前面一、Charbonnier损失二、SSIM损失1.结构相似性（SSIM：StructuralSimilartiy）2.平均结构相似性（MeanSSIM）3.代码实现4.测试案例参考：写在前面下面介绍各个函数时，涉及到一下2变量，其含义如下：假设网络输入为x，输出为y‾\overline{\text{y}}y=f(x)，x的真实标签为y，其中：、、上述定义中的N通常表示一个批次中所包含的样本数量，因为在网络训练时我们通常是逐批次送入网络训练，每个批次计算一次损失，然后进行参数更新。一、Charbonnier损失参考文章链接：http://xxx.itp.ac.cn/pdf/17
损失函数写在前面一、Charbonnier损失二、SSIM损失1.结构相似性（SSIM：StructuralSimilartiy）2.平均结构相似性（MeanSSIM）3.代码实现4.测试案例参考：写在前面下面介绍各个函数时，涉及到一下2变量，其含义如下：假设网络输入为x，输出为y‾\overline{\text{y}}y=f(x)，x的真实标签为y，其中：、、上述定义中的N通常表示一个批次中所包含的样本数量，因为在网络训练时我们通常是逐批次送入网络训练，每个批次计算一次损失，然后进行参数更新。一、Charbonnier损失参考文章链接：http://xxx.itp.ac.cn/pdf/17
目录0前言（用处不大，可以直接看解决办法）1产生问题的原因2解决办法YOLOV5YOLOV72小结☆这个问题是GTX16xx用户的大坑，基本上每个GTX16xx用户使用YOLO系列算法，都会遇到这些问题。这个方法是不彻底的解决办法，牺牲了训练的时间来换取问题的解决，经过本人在GTX1660TI笔记本上测试YOLOV5和YOLOV7算法均成功解决了。0前言（用处不大，可以直接看解决办法）最近正在做目标检测相关的算法，因为要求实时性要很高，所以选择了YOLO系列算法。最先开始选择的是刚出炉新鲜的YOLOV7算法，训练时没有问题，但是在最终测试时，发现检测不出来任何的bbox，开始以为是没有训练好，
目录0前言（用处不大，可以直接看解决办法）1产生问题的原因2解决办法YOLOV5YOLOV72小结☆这个问题是GTX16xx用户的大坑，基本上每个GTX16xx用户使用YOLO系列算法，都会遇到这些问题。这个方法是不彻底的解决办法，牺牲了训练的时间来换取问题的解决，经过本人在GTX1660TI笔记本上测试YOLOV5和YOLOV7算法均成功解决了。0前言（用处不大，可以直接看解决办法）最近正在做目标检测相关的算法，因为要求实时性要很高，所以选择了YOLO系列算法。最先开始选择的是刚出炉新鲜的YOLOV7算法，训练时没有问题，但是在最终测试时，发现检测不出来任何的bbox，开始以为是没有训练好，
