一些时候我们需要一些基本的网络结构，并且希望它是训练好的，里面的weights都已经训练的差不多，我们只需要继续我们自己的训练就好了，这中情况下，就要学习调用torchvision下训练好的网络结构了。

torchvision.models相关信息

介绍一些常见的数学符号和发音

wikipedia-CN

wikipedia-EN

可能需要安装ipykernel

1

conda install ipykernel

之后导入自定义的环境名称(deep)

1
2

source activate deep
python -m ipykernel install --user --name deep --display-name "Python (myenv)自定义显示名称"

可能安装ipykernel会覆盖之前的python

记得检查自己的python版本，可以在安装ipykernel之后重新安装恢复

1

conda install python=3.6.7

YOLOv1 encode, decode method
YOLO一代的target编码,解码

Metrics for object detection
衡量目标检测的标准

Original paper Reference

理解准确率(accuracy)、精度(precision)、查全率(recall)

基本定义

Accuracy 就是我们通常说的正确率，在整个样本空间里，做出正确预测的百分比。

precision 是在我们认为的正样本中， 有多大比例真的是正样本。

recall 则是在真正的正样本中， 有多少被我们找到了。

学习YOLO-v1整理的一些笔记

在做深度学习的图像的localization时，需要画出bounding box和他们的类别名称，这里介绍两种方式

1. 利用PIL中的ImageDraw.rectangle
2. 利用matplotlib.patches
3. 利用openCV

在深度学习里，尤其是计算机视觉里，很多时候训练集不够充足，或者某一类的数据较少，为了增加训练数据的数量，防止过度拟合，增加模型的鲁棒性，数据增强，data augmentation就应运而生

今天发现pytorch里， bytetensor(torch.uint8)和longtensor(torch.long)对于索引有不同的影响