From bc3a1e8adfa2e6b8953f0228b360efd14b3d2ad7 Mon Sep 17 00:00:00 2001 From: felixfu520 Date: Tue, 2 Nov 2021 20:07:30 +0800 Subject: [PATCH] fixed --- README.md | 91 +++++++++++++++++++++++++++++++++-- train/cnn/dsc.md | 2 +- train/cnn/mobilenet.md | 2 +- train/detection/yolox.md | 41 ++++++++++++++++ train/detection/yolox_arch.md | 0 5 files changed, 129 insertions(+), 7 deletions(-) create mode 100644 train/detection/yolox_arch.md diff --git a/README.md b/README.md index 5af4fd7..7e7c3f2 100644 --- a/README.md +++ b/README.md @@ -1,9 +1,6 @@ # 🍭理论篇 -- [200+本计算机书籍](https://github.com/imarvinle/awesome-cs-books) -- [CUDA](https://docs.nvidia.com/cuda/index.html#) -- [TRT](https://docs.nvidia.com/deeplearning/tensorrt/index.html) -- [CVPR](https://github.com/extreme-assistant/CVPR2021-Paper-Code-Interpretation) +- ## 1⃣️ 数学 @@ -58,6 +55,9 @@ - [extern “C”的作用详解](https://www.cnblogs.com/xiangtingshen/p/10980055.html) - [C++程序利用std::cout打印到日志文件方法](https://blog.csdn.net/weixin_42096202/article/details/109364061) - [C/C++ 获取文件夹下所有文件名 windows和linux通用](https://blog.csdn.net/u012005313/article/details/50687297) +- [std::string 与 char* 之间的转换](https://blog.csdn.net/u010023457/article/details/41855007) +- [文件复制和移动](https://www.cnblogs.com/mfryf/archive/2013/03/17/2964207.html)| [2](https://blog.csdn.net/u012750702/article/details/52738859)|[3](https://blog.csdn.net/yc461515457/article/details/57432680)|[4](https://www.jianshu.com/p/a8cc836d5dff) +- [字符串操作](https://blog.csdn.net/xjw532881071/article/details/49154911)|[2](https://blog.csdn.net/yuejisuo1948/article/details/88643491)|[3](https://blog.csdn.net/dcrmg/article/details/99650783)|[4](https://blog.csdn.net/man_sion/article/details/54847573)|[5](https://blog.csdn.net/guowenyan001/article/details/11231927) #### 🍃 C++工具 @@ -150,6 +150,36 @@ - 🐾 [docker容器python中文乱码](theory/python/zh_error.md) - [list 排列组合](https://blog.csdn.net/vitaminc4/article/details/78922612) +- [Python中下划线的5种含义](https://zhuanlan.zhihu.com/p/36173202) +- [numpy: np.logical_and/or/not (逻辑与/或/非)](https://blog.csdn.net/JNingWei/article/details/78651535) +- [np.where](https://www.cnblogs.com/massquantity/p/8908859.html) +- [np.vstack, np.hstack](https://blog.csdn.net/u012609509/article/details/70319293) +- [Opencv实现多幅图像显示在同一窗口（基于Python）](https://www.codenong.com/cs105613611/) +- [opencv读中文图片](https://blog.csdn.net/PanYHHH/article/details/111561477) +- [pytorch计算余弦相似度](https://blog.csdn.net/tszupup/article/details/100711874) +- [(torch.full()、torch.full_like())创造全value的矩阵](https://blog.csdn.net/Fluid_ray/article/details/109855155) +- [torch.cat 和 torch.stack的区别](https://blog.csdn.net/wukong999/article/details/89284055) +- [ToTensor 到底做了什么？](http://spytensor.com/index.php/archives/42/) +- [named_children()和named_modules()的区别](https://blog.csdn.net/watermelon1123/article/details/98036360) +- [transforms的二十二个方法](https://zhuanlan.zhihu.com/p/53367135) +- [pytorch手动实现滑动窗口操作，论fold和unfold函数的使用](https://blog.csdn.net/LoseInVain/article/details/88139435) | [2](https://blog.csdn.net/qq_34914551/article/details/102940368) +- [Pytorch中index_select() 函数的理解](https://blog.csdn.net/kdongyi/article/details/103099589) +- [pytorch:torch.clamp()](https://blog.csdn.net/u013230189/article/details/82627375) +- [torch.nonzero的理解](https://blog.csdn.net/monchin/article/details/79750216) +- [Pytorch中index_select() 函数的理解](https://blog.csdn.net/kdongyi/article/details/103099589) +- [PIL读入图片转为BGR](https://blog.csdn.net/zicai_jiayou/article/details/115541307) +- [np.random.randint、np.random.choice、random.sample三种随机函数的用法案例](https://blog.csdn.net/zsc201825/article/details/80918450) +- [Python——自定义排序 sort() / list.sort()](https://blog.csdn.net/Eternity666/article/details/108301177) +- [如何直观地理解「协方差矩阵」？](https://zhuanlan.zhihu.com/p/37609917) +- [pprint的用法](https://blog.csdn.net/u013061183/article/details/79094460) +- [python dir()和vars()的区别](https://blog.csdn.net/sxingming/article/details/52116157) +- [Python装饰器abstractmethod、property、classmethod、staticmethod及自定义装饰器](https://www.jianshu.com/p/a340ffb231a0) +- [python 获取当前日期的前n天或后n天](https://blog.csdn.net/qq_15058425/article/details/90268190) +- [Python计数器collections.Counter用法详解](https://blog.csdn.net/sinat_28576553/article/details/99131954) +- [python读写json文件](https://www.cnblogs.com/bigberg/p/6430095.html) +- [python限定方法参数类型、返回值类型、变量类型等](https://www.cnblogs.com/xxpythonxx/p/12198876.html) +- [【python】错误解决经历](https://www.cnblogs.com/ytxwzqin/p/12012025.html) |[2](https://www.cnblogs.com/henuliulei/p/13258297.html) +- ### 🍬Linux @@ -242,6 +272,8 @@ - 🐾 [实验管理工具sacred](envs/tools/scared.md) - 🐾 [bypy 百度云下载python](envs/tools/bypy.md) - 🐾 [Python日志库loguru](envs/tools/loguru.md) +- [字典2dot--dotmap](https://github.com/drgrib/dotmap) +- ### 🍬 IDE&Tools安装 @@ -321,7 +353,7 @@ #### 🍃CNN -- 🐾 [CNN介绍](train/cnn/introduce_cnn.md) --[🐾CNN网络代码讲解](https://github.com/WZMIAOMIAO/deep-learning-for-image-processing) +- 🐾 [CNN介绍](train/cnn/introduce_cnn.md) --[🐾CNN网络代码讲解加部署 ⭐](https://github.com/WZMIAOMIAO/deep-learning-for-image-processing) - 🐾 [LeNet, AlexNet, VGG](train/cnn/lenet_alexnet_vgg.md) - 🐾 [DSC理解](train/cnn/dsc.md) - 🐾 [Inception](train/cnn/inception.md) @@ -409,6 +441,9 @@ - 🐾 [交叉墒](train/loss/entropy.md) - 🐾 [Pytorch的损失函数](train/loss/losses_pytorch.md) +- [三个相关系数](https://www.cnblogs.com/yjd_hycf_space/p/11537153.html) +- [机器学习-距离度量](https://blog.csdn.net/xjp_xujiping/article/details/108576496)|[2](https://zhuanlan.zhihu.com/p/46626607) +- [方差](https://blog.csdn.net/lijinxiu123/article/details/52450858)|[2](https://geek.digiasset.org/pages/mathbasic/correlation-co-variances-variance-coeffi_21Mar07115144053588/#%E4%B8%89%E5%8D%8F%E6%96%B9%E5%B7%AE)|[3](https://zhuanlan.zhihu.com/p/86181679)|[4](https://zhuanlan.zhihu.com/p/68967565)|[5](https://blog.csdn.net/lilong117194/article/details/78399568) - Lovasz-Softmax Loss - Exponential Logarithmic loss - Focal Loss + Dice Loss @@ -613,3 +648,49 @@ - 🐾 [onnxruntime, tensorrt, tvm, ...](https://github.com/FelixFu520/deploy_demo) +# 🍭书签 + +- [200+本计算机书籍](https://github.com/imarvinle/awesome-cs-books) +- [CUDA](https://docs.nvidia.com/cuda/index.html#) +- [TRT](https://docs.nvidia.com/deeplearning/tensorrt/index.html) +- [CVPR](https://github.com/extreme-assistant/CVPR2021-Paper-Code-Interpretation) + +### Language + +#### C++ + +- **[C++中文网](http://c.biancheng.net/cpp/)** +- [C++ reference - cppreference.com](https://en.cppreference.com/w/cpp) + +- [Boost C++](https://wizardforcel.gitbooks.io/the-boost-cpp-libraries/content/0.html) +- [cplusplus](http://www.cplusplus.com/) +- [C++官方](https://isocpp.org/) +- [GCC参数](https://www.runoob.com/w3cnote/gcc-parameter-detail.html) + +#### Python + +- [Python教程](http://www.coolpython.net/python_senior/index.html)|[2](https://www.liaoxuefeng.com/wiki/1016959663602400) + +- [Python官方](https://docs.python.org/zh-cn/3/index.html) +- [PYPI](https://pypi.org/manage/projects/) +- [PyGObject](https://pygobject.readthedocs.io/en/latest/getting_started.html) +- [GTK+](https://python-gtk-3-tutorial.readthedocs.io/en/latest/index.html#) +- [pycuda](https://documen.tician.de/pycuda/driver.html) +- [pandas中文教程](https://www.w3cschool.cn/hyspo/) +- [numpy](https://www.numpy.org.cn/reference/) | [2](https://www.numpy.org.cn/about/) +- [matplotlib](https://www.yiibai.com/matplotlib/pyplot-tutorial.html)|[2](https://matplotlib.org/) +- [scikit-image](https://scikit-image.org/docs/stable/) + +#### 其他 + +- [git](https://www.liaoxuefeng.com/wiki/896043488029600) | [2](https://backlog.com/git-tutorial/cn/) + +#### 读图 + +- [数字图像处理](http://www.vue5.com/dip/histogram_stretching.html) +- [Opencv-python教程](https://www.osgeo.cn/opencv-python/index.html) +- [Opencv-c++](https://docs.opencv.org/master/d2/d96/tutorial_py_table_of_contents_imgproc.html) |[2](https://docs.opencv.org/3.4.3/d9/df8/tutorial_root.html) |[3](https://www.yiibai.com/opencv/) +- [Pillow]() +- + +- https://pycharm.iswbm.com/ diff --git a/train/cnn/dsc.md b/train/cnn/dsc.md index 4302478..31e2455 100644 --- a/train/cnn/dsc.md +++ b/train/cnn/dsc.md @@ -52,7 +52,7 @@ -Pointwise Convolution实际为1×1卷积，在DSC中它起两方面的作用。第一个作用是让DSC能够自由改变输出通道的数量；第二个作用是对Depthwise Convolution输出的feature map进行通道融合。第一个作用比较容易理解，这因为单独的Depthwise Convolution无法改变输出通道数量，因而采用1×1卷积来改变输出通道数量是比较直观和简单的做法。为理解Pointwise Convolution的第二点作用，可以考虑在只使用Depthwise Convolution来堆叠网络时会发生什么情况。假设输入为IN，它的第i个通道记为IN_i；第一层Depthwise Convolution的输出记为DC1，它的第i个通道记为DC1_i；第二层Depthwise Convolution的输出记为DC2，它的第i个通道记为DC2_i。 +Pointwise Convolution实际为1×1卷积，在DSC中它起两方面的作用。第一个作用是让**DSC能够自由改变输出通道的数量**；第二个作用是**对Depthwise Convolution输出的feature map进行通道融合**。第一个作用比较容易理解，这因为单独的Depthwise Convolution无法改变输出通道数量，因而采用1×1卷积来改变输出通道数量是比较直观和简单的做法。为理解Pointwise Convolution的第二点作用，可以考虑在只使用Depthwise Convolution来堆叠网络时会发生什么情况。假设输入为IN，它的第i个通道记为IN_i；第一层Depthwise Convolution的输出记为DC1，它的第i个通道记为DC1_i；第二层Depthwise Convolution的输出记为DC2，它的第i个通道记为DC2_i。 由Depthwise Convolution的工作机理可知，DC1_i只与IN_i有关，DC2_i只与DC1_i有关，进而DC2_i也只与IN_i有关。简单来说，输入、输出各不同通道间没有任何计算将它们联系起来。而1×1卷积本身就具有通道融合的能力，因此在Depthwise Convolution之后接Pointwise Convolution能够有效解决上述问题。 diff --git a/train/cnn/mobilenet.md b/train/cnn/mobilenet.md index 9c74b5e..d77cbb5 100644 --- a/train/cnn/mobilenet.md +++ b/train/cnn/mobilenet.md @@ -79,7 +79,7 @@ MobileNet 需要尽可能维持其中发展较快的计算机视觉和深度学 ![img](imgs/1226410-20191107145306585-415671776.png) - 　与标准卷积网络不一样的是，我们将卷积核拆分成单通道形式，在不改变输入特征图像的深度的情况下，对每一通道进行卷积操作，这样就得到了和输入特征图通道数一致的输出特征图。如上图，输入`12*12*3 `的特征图，经过`5*5*1*3`的深度卷积之后，得到了8*8*3的输出特征图。输入和输出的维度是不变的3，这样就会有一个问题，通道数太少，特征图的维度太少，能获得足够的有效信息吗? + 　与标准卷积网络不一样的是，我们将卷积核拆分成单通道形式，在不改变输入特征图像的深度的情况下，对每一通道进行卷积操作，这样就得到了和输入特征图通道数一致的输出特征图。如上图，输入`12*12*3 `的特征图，经过`5*5*1*3`的深度卷积之后，得到了`8*8*3`的输出特征图。输入和输出的维度是不变的3，这样就会有一个问题，通道数太少，特征图的维度太少，能获得足够的有效信息吗? #### 1.2.2 逐点卷积 diff --git a/train/detection/yolox.md b/train/detection/yolox.md index e69de29..8397ae7 100644 --- a/train/detection/yolox.md +++ b/train/detection/yolox.md @@ -0,0 +1,41 @@ +# YoloX + +⌚️: 2021年11月02日 + +📚参考 + +- [YoloX网络结构](https://blog.csdn.net/nan355655600/article/details/119329727) +- + +--- + +Yolox共有**七种**网络结构，包含**2种**轻量级网络，和**5种**标准网络。 + +**① 轻量级网络** +(1) Yolox-Nano可视化网络结构图：点击查看 + +(2) Yolox-Tiniy可视化网络结构图：点击查看 + + + +**② 标准网络** +(1)Yolox-s可视化网络结构图：点击查看 + +(2) Yolox-m可视化网络结构图：点击查看 + +(3) Yolox-l可视化网络结构图：点击查看 + +(4) Yolox-x可视化网络结构图：点击查看 + +(5) Yolox-Darknet53可视化网络结构图：点击查看 + + + +此外也放上Yolov3、Yolov4、Yolov5的网络结构，可以对比查看: +(1) Yolov3可视化网络结构图：点击查看 +(2)Yolov4可视化网络结构图：点击查看 +(3) Yolov5可视化网络结构图：点击查看 + +但最好的方式，还是使用netron工具打开cfg文件或者Yolox的onnx文件，可以看到网络的各个细节，因此也放上下载链接，和大白画得网络结构图一起查看，思路更加清晰: +(1) 大白的另一篇文章《网络可视化工具netron详细安装流程》:点击查看 + diff --git a/train/detection/yolox_arch.md b/train/detection/yolox_arch.md new file mode 100644 index 0000000..e69de29