ResNet
ResNet参考： （知乎：我是小将）： https://zhuanlan.zhihu.com/p/31852747 https://blog.csdn.net/wspba/article/details/56019373 TF官方的ResNet代码详解： https://zhuanlan.zhihu.com/p/32194105 https://zhuanlan.zhihu.com/p/270
主页
模型训练经验
1. 模型训练经验 ==weights和bias的初始化对训练影响很大==； ==batch_size先拿小的试一下，比如16,8,1等，调大了收敛太慢==； ==学习率不宜过大，初始可设置为1e-3==； 网络不收敛 数据问题（根本） 数据少，数据分布差，数据质量差；数据预处理：归一化等；可以先简化数据，数据弄成“弱智”般的最简单的数据，收敛后再慢慢加数据复杂度；2. 学习率过大3. b
学习率设置
理想loss值曲线理想情况下曲线应该是滑梯式下降[绿线]： 曲线 初始时 上扬 [红线]： Solution：初始 学习率过大 导致 振荡，应减小学习率，并 从头 开始训练 。 曲线 初始时 强势下降 没多久 归于水平 [紫线]： Solution：后期 学习率过大 导致 无法拟合，应减小学习率，并 重新训练 后几轮 。 曲线 全程缓慢 [黄线]： Solution：
Network in Network
设计思想 使用mlpconv网络替代传统的convolution层 不用FC层 减了少参数个数，进而网络层数可以加深，加快训练速度； 由于参数过多，网络过大，GPU显存不够限制了网络层的增加，从而限制了模型的泛化能力； 核心结构mlpconv mlpconv = conv + 1×1conv + 1×1conv(2层的mlp) 1×1卷积核作用： 实现通道间的信息交互和整合（加了1*1
VGG
核心思想 网络越深越好； 但网络深不好训练->用3*3的卷积核； 核心结构： 两个连续的3×3卷积相当于5×5的感受野，3个相当于7*7： 减少了参数，有更多的relu层，增加了更多的非线性； 输入及预处理 输入：224*224 预处理：除以255或者减去128（即精度定点，因为arm等平台计算浮点数计算量较大，而减去128之后数据就是unit8的形式了） 训练：SGD+momen
CNN基本概念
CNN特性 ==FC:全局信息，global信息能减少误检；====conv：局部信息== conv特性：平移不变性； CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。 卷积核的多个
hexo+Github Pages搭建网站
一、网站雏形搭建 安装Git Bash1git version （检查安装是否成功） 安装NodeJs1node -v （检查安装是否成功） 安装hexo1sudo npm i -g hexo （安装hexo的命令） 初始化hexo新建一个文件夹，用于保存博客内容，然后在该文件夹下右键选择git bash执行以下命令： 1hexo init 初始化之后会出现如图示文件： 主要文件的意思
stack使用总结
c++ stl栈stack介绍C++ Stack（堆栈） 是一个容器类的改编，为程序员提供了堆栈的全部功能，主要操作包括堆栈初始化、元素入栈、取栈顶元素、元素出栈、判断堆栈是否非空和取得当前堆栈大小等。 c++ stl栈stack的头文件为:#include c++ stl栈stack的成员函数介绍（5种） empty() 堆栈为空则返回真 pop() 移除栈顶元素 push(i) 在栈顶增加
list使用总结
1234567891011//list元素访问；指定位置插入某元素 list<int>::iterator iter = a.begin();int n;//访问lsit的第n个元素,n不能超过list的末尾，即iter!= a.end() for(int i=0; i < n-1; ++i) ++it