SiamRPN代码讲解，训练过程讲解
2024-07-02 12:56:28
siamRPN论文：High Performance Visual Tracking with Siamese Region Proposal Network
gitHub代码：https://github.com/HonglinChu/SiamTrackers/tree/master/SiamRPN/SiamRPN
论文模型架构：
上一篇文章：SiamRPN代码讲解，推理测试讲解
此篇是： 训练过程代码讲解
siamrpn训练的大致过程：
> 1. 获取图片,真实框路径；；用于后续创建dataset
> 2. 生成SiamRPN模型
> 3. 生成dataset（关键，后续会详解）
> get_item函数大致过程:
> 生成exemplar_img, detection_img （经过前处理）
> 生成anchors(与测试，推理的内容一致)
> 根据anchors和groundtruth反计算得到offset_target
> 根据anchors和groundtruth计算iou，并令iou>阈值为正样本，以此生成conf_target（正样本则lable=1,负样本则label=0）。
> get_item函数返回: exemplar_img,detection_img; conf_target, offset_target
> 4. 初始化
> 模型加载；；优化器创建；；LOSS（并未指定loss类，后续会知道）
> 5. 取样,训练
> conf_pred,offset_pred=model.train(exemplar_pic,detection_pic)
> 修正shape
> **计算loss**(关键，后续会详解)
> loss反传
> 6. 训练结果输出训练时loss的大致计算过程：
1.分类loss参数传入conf_pred, conf_target参数 (batch个 5*19*19组值)循环batch正样本loss计算得到子batch中所有正样本（conf_target=1）index(index_pos)确定X随机打乱index_pos并抽取X组数据(pos_loss_index)pos_loss= 交叉熵(conf_pred[子batch][pos_loss_index], conf_target[子batch][pos_loss_index]) 负样本loss计算同理对所有loss取平均为最终conf_loss2.回归loss传入 offset_pred,offset_target, conf_target(ps: 只用计算正样本的回归loss)循环batch得到子batch中所有正样本（conf_target=1）index(index_pos)确定X随机打乱index并抽取X组数据(loss_index)loss= L1_Loss(offset_pred[子batch][loss_index], offset_target[子batch][loss_index])loss取平均为最终regression_loss
最终loss= conf_loss*a + regression_loss*b (a,b为各自loss的权重) 代码阅读大致顺序：
|—./bin/train.py
|——GOT10K类
|——GOT10kDataset类创建dataset
|——TranckerSiamRPN类
|——model.forward()函数
|——rpn_cross_entropy_balance函数
|——rpn_smoothL1函数
|——计算最终loss
|——出loss结果
|——模型结果保存
GOT10K类
my_train.py:中，看到line 50
参考siamFC相关说明
GOT10kDataset类
回到my_train.py中，看到Line71
注意： 此处代码比较复杂，嵌套。如要细读，可以多看几遍！
注意： 此处代码比较复杂，嵌套。如要细读，可以多看几遍！
注意： 此处代码比较复杂，嵌套。如要细读，可以多看几遍！
代码详解（注释）:
功能：创建dataset,方便后续创建dataloader
|—大致过程:
|——生成exemplar_img, detection_img （经过前处理）
|——生成anchors(与测试，推理的内容一致)
|——根据anchors和groundtruth反计算得到offset_target(
|——根据anchors和groundtruth计算iou，并令iou>阈值为正样本，以此生成conf_target。
|——函数返回: exemplar_img,detection_img; conf_target, offset_target；供后续采样训练使用
SiamRPNNet类
回到my_train.py中，看到Line99
与推理，测试过程类似：
代码详解（注释）
在训练的时候，会使用model.forward函数
model = SiamRPNNet()
...
pred_score, pred_regression = model(exemplar_imgs.cuda(), instance_imgs.cuda())
###shape : 1,N*10,19,19 1,N*20,19,19
训练过程代码
回到my_train.py中，看到Line172行，通过for循环进行模型训练
for i, data in enumerate(tqdm(trainloader)):exemplar_imgs, instance_imgs, regression_target, conf_target = data# conf_target (8,1125) (8,225x5)regression_target, conf_target = regression_target.cuda(), conf_target.cuda()#pre_score=64,10,19,19 ； pre_regression=[64,20,19,19]pred_score, pred_regression = model(exemplar_imgs.cuda(), instance_imgs.cuda())
代码详解（注释）:
功能:训练，得到Loss，梯度反传
————————————————————————————————————
代码解析
GOT10kDataset类的init函数
./siamRPN/dataset.py
ps：后续取样训练时会调用里面的get_item函数
|—__getitem__函数大致过程:
|——生成exemplar_img, detection_img （经过前处理）
|——生成anchors(与测试，推理的内容一致)
|——根据anchors和groundtruth反计算得到offset_target(
|——根据anchors和groundtruth计算iou，并令iou>阈值为正样本，以此生成conf_target。
|——get_item函数返回: exemplar_img,detection_img; conf_target, offset_target
def __init__(self, seq_dataset, z_transforms, x_transforms, name = 'GOT-10k'):self.max_inter = config.frame_range_got #self.z_transforms = z_transforms ##exemplar_imgself.x_transforms = x_transforms ##detection_imgself.sub_class_dir = seq_datasetself.ret = {}self.count = 0self.index = 3000self.name = nameself.anchors = generate_anchors( config.total_stride, ##创建基本框config.anchor_base_size,config.anchor_scales,config.anchor_ratios,config.score_size)GOT10kDataset类的__getitem__函数
在这里插入代码片 def __getitem__(self, index):index = random.choice(range(len(self.sub_class_dir))) ###随机打乱下标self._pick_img_pairs(index) ##根据Index挑选两个图片，；；保存如下信息： exemplar_img,detection_img,exemplar_gt, detection_gt##生成exemplar_img, detection_img （经过前处理）self.open()self._tranform()regression_target, conf_target = self._target() self.count += 1return self.ret['train_z_transforms'], self.ret['train_x_transforms'], regression_target, conf_target.astype(np.int64)## exemplar_img ,detection_img , target_offset, conf_target(shape== len(anchors))
对应代码补充：
generate_anchors()
self._pick_img_pairs(index)
self.open()
self._tranform() ##tansform变化，在此不做赘述
self._target()
SiamRPNNet类forward函数
模型运算的时候会自动执行forward函数 有关此代码中的组卷积可以参考:
siamRPNNet组卷积相关代码
def forward(self, template, detection):N = template.size(0) # N=32 batch==32template_feature = self.featureExtract(template) # [N,256,6,6] ###exemplar_frame--->exemplar_featuredetection_feature = self.featureExtract(detection) # [N,256,24,24] ##detection_frame--->detection_feature##self.anchor_num==5kernel_score = self.conv_cls1(template_feature).view(N, 2 * self.anchor_num, 256, 4, 4) # N,2*5,256,4,4kernel_regression = self.conv_r1(template_feature).view(N, 4 * self.anchor_num, 256, 4, 4) # N,4*5,256,4,4conv_score = self.conv_cls2(detection_feature) # N,256,22,22#对齐操作conv_regression = self.conv_r2(detection_feature) # N,256,22,22##组卷积 类别分支 互相关操作conv_scores = conv_score.reshape(1, -1, self.score_displacement + 4, self.score_displacement + 4) # 1,Nx256,22,22score_filters = kernel_score.reshape(-1, 256, 4, 4) # Nx10,256,4,4pred_score = F.conv2d(conv_scores, score_filters, groups=N).reshape(N, 10, self.score_displacement + 1,self.score_displacement + 1) ##groups=N result.shape==1,32*10,19,19##组卷积 线性回归分支 互相关操作conv_reg = conv_regression.reshape(1, -1, self.score_displacement + 4,self.score_displacement + 4) ##N,256,22,22-->1,32*256,22,22reg_filters = kernel_regression.reshape(-1, 256, 4, 4) ##N,4*5,256,4,4--->N*20,256,4,4pred_regression = self.regress_adjust(F.conv2d(conv_reg, reg_filters, groups=N).reshape(N, 20, self.score_displacement + 1,self.score_displacement + 1)) ### result.shape==1,32*20,19,19return pred_score, pred_regression### shape : 1,N*10,19,19 1,N*20,19,19my_train.py的训练部分代码
for i, data in enumerate(tqdm(trainloader)):exemplar_imgs, instance_imgs, regression_target, conf_target = dataregression_target, conf_target = regression_target.cuda(), conf_target.cuda()pred_score, pred_regression = model(exemplar_imgs.cuda(), instance_imgs.cuda())###shape : 1,N*10,19,19 1,N*20,19,19pred_conf = pred_score.reshape(-1, 2, config.anchor_num * config.score_size * config.score_size).permute(0,2,1)##=---->N,5*19*19,2pred_offset = pred_regression.reshape(-1, 4,config.anchor_num * config.score_size * config.score_size).permute(0,2,1)##---->N,5*19*19,4cls_loss = rpn_cross_entropy_balance(pred_conf, conf_target, config.num_pos, config.num_neg, anchors, ##config.num_pos=16 config.num_neg=48ohem_pos=config.ohem_pos, ohem_neg=config.ohem_neg) ## false falsereg_loss = rpn_smoothL1(pred_offset, regression_target, conf_target, config.num_pos, ohem=config.ohem_reg)loss = cls_loss + config.lamb * reg_loss #分类权重和回归权重##config.lamb = 5optimizer.zero_grad()#梯度loss.backward()
对应代码补充：
rpn_cross_entropy_balance损失函数
rpn_smoothL1损失函数
————————————————————————————————————
额外补充
GOT10kDataset类的_pick_img_pairs
功能：生成exemplar_img, detection_img （经过前处理）；；并通过字典保存其他信息
视频前半段为exemplar_img，后半段为detection_img
def _pick_img_pairs(self, index_of_subclass):assert index_of_subclass < len(self.sub_class_dir), 'index_of_subclass should less than total classes'video_name = self.sub_class_dir[index_of_subclass][0] ##list of string ;;所有图片的名字video_num = len(video_name) ##总图片个数video_gt = self.sub_class_dir[index_of_subclass][1] ##list of string ;;对应的gtstatus = Truewhile status:if self.max_inter >= video_num-1:self.max_inter = video_num//2template_index = np.clip(random.choice(range(0, max(1, video_num - self.max_inter))), 0, video_num-1) ###视频前半段为exemplar_imgdetection_index= np.clip(random.choice(range(1, max(2, self.max_inter))) + template_index, 0, video_num-1) ###后半段为detection_imgtemplate_img_path, detection_img_path = video_name[template_index], video_name[detection_index] ##得到对应图片template_gt = video_gt[template_index] ##得到对应gtdetection_gt = video_gt[detection_index]if template_gt[2]*template_gt[3]*detection_gt[2]*detection_gt[3] != 0:status = Falseelse:#print('Warning : Encounter object missing, reinitializing ...')print( 'index_of_subclass:', index_of_subclass, '\n','template_index:', template_index, '\n','template_gt:', template_gt, '\n','detection_index:', detection_index, '\n','detection_gt:', detection_gt, '\n')# load infomation of template and detection##通过字典map 保存信息self.ret['template_img_path'] = template_img_pathself.ret['detection_img_path'] = detection_img_pathself.ret['template_target_x1y1wh'] = template_gt self.ret['detection_target_x1y1wh']= detection_gt t1, t2 = self.ret['template_target_x1y1wh'].copy(), self.ret['detection_target_x1y1wh'].copy()self.ret['template_target_xywh'] = np.array([t1[0]+t1[2]//2, t1[1]+t1[3]//2, t1[2], t1[3]], np.float32)## cx,cy,w,hself.ret['detection_target_xywh'] = np.array([t2[0]+t2[2]//2, t2[1]+t2[3]//2, t2[2], t2[3]], np.float32)## cx,cy,w,hself.ret['anchors'] = self.anchors#self._average()GOT10kDataset类的open函数
功能：获取最终exemplar和detection的截取图片,并得到detection的框坐标
def open(self):'''template'''template_img = Image.open(self.ret['template_img_path'])template_img = np.array(template_img)detection_img = Image.open(self.ret['detection_img_path'])detection_img = np.array(detection_img)if np.random.rand(1) < config.gray_ratio:template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY)template_img = cv2.cvtColor(template_img, cv2.COLOR_GRAY2RGB)detection_img = cv2.cvtColor(detection_img, cv2.COLOR_RGB2GRAY)detection_img = cv2.cvtColor(detection_img, cv2.COLOR_GRAY2RGB)img_mean = np.mean(template_img, axis=(0, 1))exemplar_img, scale_z, s_z, w_x, h_x = self.get_exemplar_image( template_img,self.ret['template_target_xywh'],config.exemplar_size,config.context_amount, img_mean )size_x = config.exemplar_sizex1, y1 = int((size_x + 1) / 2 - w_x / 2), int((size_x + 1) / 2 - h_x / 2)x2, y2 = int((size_x + 1) / 2 + w_x / 2), int((size_x + 1) / 2 + h_x / 2)#frame = cv2.rectangle(exemplar_img, (x1,y1), (x2,y2), (0, 255, 0), 1)#cv2.imwrite('exemplar_img.png',frame)#cv2.waitKey(0)self.ret['exemplar_img'] = exemplar_img ##通过字典保存exemplar_img'''detection'''##相关操作#detection_img = cv2.imread(self.ret['detection_img_path'])d = self.ret['detection_target_xywh']cx, cy, w, h = d # float type##detection的图像扩充wc_z = w + 0.5 * (w + h)hc_z = h + 0.5 * (w + h)s_z = np.sqrt(wc_z * hc_z) ##detection的图像扩充s_x = s_z / (config.instance_size//2) ##config.instance_size==271img_mean_d = tuple(map(int, detection_img.mean(axis=(0, 1))))a_x_ = np.random.choice(range(-12,12))a_x = a_x_ * s_xb_y_ = np.random.choice(range(-12,12))b_y = b_y_ * s_xinstance_img, a_x, b_y, w_x, h_x, scale_x = self.get_instance_image( detection_img, d,config.exemplar_size, # 127config.instance_size,# 255config.context_amount, # 0.5a_x, b_y,img_mean_d )size_x = config.instance_size ###271##获得detection的裁剪图片的 cx,cy,w,hx1, y1 = int((size_x + 1) / 2 - w_x / 2), int((size_x + 1) / 2 - h_x / 2)x2, y2 = int((size_x + 1) / 2 + w_x / 2), int((size_x + 1) / 2 + h_x / 2)##x1,y1 左上， x2,y2 右下w = x2 - x1h = y2 - y1cx = x1 + w/2 cy = y1 + h/2 self.ret['instance_img'] = instance_img#self.ret['cx, cy, w, h'] = [int(a_x_*0.16), int(b_y_*0.16), w, h]self.ret['cx, cy, w, h'] = [int(a_x_), int(b_y_), w, h]GOT10kDataset类的_target函数
功能：获得conf_target和regression_target；；获得正，负样本对应下标
def _target(self):regression_target, conf_target = self.compute_target(self.anchors,np.array(list(map(round, self.ret['cx, cy, w, h']))))
def compute_target(self, anchors, box):#box = [-(box[0]), -(box[1]), box[2], box[3]]regression_target = self.box_transform(anchors, box) ##（详见下文跳转）iou = self.compute_iou(anchors, box).flatten() ##所有框对应的iou ,shape== len(anchors,1)---->shape=len(anchors)#print(np.max(iou))pos_index = np.where(iou > config.pos_threshold)[0] ## iou重合度高认为是正样本neg_index = np.where(iou < config.neg_threshold)[0]label = np.ones_like(iou) * -1##全是-1.和Iou的shape一致"""np.ones_like返回一个用1填充的跟输入 形状和类型 一致的数组。e.g.>>> x = np.arange(6)>>> x = x.reshape((2, 3))>>> xarray([[0, 1, 2],[3, 4, 5]])>>> np.ones_like(x)array([[1, 1, 1],[1, 1, 1]])"""label[pos_index] = 1 ##创建正样本label[neg_index] = 0'''print(len(neg_index))for i, neg_ind in enumerate(neg_index):if i % 40 == 0:label[neg_ind] = 0'''return regression_target, label
def box_transform(self, anchors, gt_box):##offset_target的创建anchor_xctr = anchors[:, :1]anchor_yctr = anchors[:, 1:2]anchor_w = anchors[:, 2:3]anchor_h = anchors[:, 3:]gt_cx, gt_cy, gt_w, gt_h = gt_box##逆变换，公式详见 siamrpn的推理过程或者论文4.2--（12）target_x = (gt_cx - anchor_xctr) / anchor_wtarget_y = (gt_cy - anchor_yctr) / anchor_htarget_w = np.log(gt_w / anchor_w)target_h = np.log(gt_h / anchor_h)regression_target = np.hstack((target_x, target_y, target_w, target_h)) ###所有anchors对应gt的 offsetreturn regression_target
rpn_cross_entropy_balance损失函数
分类损失
def rpn_cross_entropy_balance(input, target, num_pos, num_neg, anchors, ohem_pos=None, ohem_neg=None):""":param input: (N,5*19*19,2):param target: (N,5*19*19,):return:"""# if ohem:# final_loss = rpn_cross_entropy_balance_parallel(input, target, num_pos, num_neg, anchors, ohem=True,# num_threads=4)# else:loss_all = []for batch_id in range(target.shape[0]): #计算每个图片的损失，batch=64 ，target对应gt anchorsmin_pos = min(len(np.where(target[batch_id].cpu() == 1)[0]), num_pos) #num_pos=16 获得多少个正样本来计算分类Lossmin_neg = int(min(len(np.where(target[batch_id].cpu() == 1)[0]) * num_neg / num_pos, num_neg))##num_neg==48 获得多少个负样本来计算分类Losspos_index = np.where(target[batch_id].cpu() == 1)[0].tolist() #所有正样本的下标neg_index = np.where(target[batch_id].cpu() == 0)[0].tolist() #所有负样本的下标if ohem_pos: #default==falseif len(pos_index) > 0:pos_loss_bid = F.cross_entropy(input=input[batch_id][pos_index],target=target[batch_id][pos_index], reduction='none')selected_pos_index = nms(anchors[pos_index], pos_loss_bid.cpu().detach().numpy(), min_pos)pos_loss_bid_final = pos_loss_bid[selected_pos_index]else:pos_loss_bid = torch.FloatTensor([0]).cuda()pos_loss_bid_final = pos_loss_bidelse:pos_index_random = random.sample(pos_index, min_pos)### 对pos_index中随机打乱并从中挑选min_pos个不重复的数if len(pos_index) > 0:pos_loss_bid_final = F.cross_entropy(input=input[batch_id][pos_index_random],target=target[batch_id][pos_index_random], reduction='none')##计算正类的 分类损失else: ### 全是负标签pos_loss_bid_final = torch.FloatTensor([0]).cuda()if ohem_neg:##default==falseif len(neg_index) > 0: #https://blog.csdn.net/goodxin_ie/article/details/89645358 关于cross—entropy的reduction的用法neg_loss_bid = F.cross_entropy(input=input[batch_id][neg_index],target=target[batch_id][neg_index], reduction='none')selected_neg_index = nms(anchors[neg_index], neg_loss_bid.cpu().detach().numpy(), min_neg)neg_loss_bid_final = neg_loss_bid[selected_neg_index]else:neg_loss_bid = torch.FloatTensor([0]).cuda()neg_loss_bid_final = neg_loss_bidelse:neg_index_random = random.sample(neg_index, min_neg)### 对neg_index中随机打乱并挑选min_neg个不重复的数if len(neg_index) > 0:neg_loss_bid_final = F.cross_entropy(input=input[batch_id][neg_index_random],target=target[batch_id][neg_index_random], reduction='none')else:neg_loss_bid_final = torch.FloatTensor([0]).cuda()loss_bid = (pos_loss_bid_final.mean() + neg_loss_bid_final.mean()) / 2 ##所有loss取平均loss_all.append(loss_bid)final_loss = torch.stack(loss_all).mean()##所有loss取平均return final_lossrpn_smoothL1损失函数
回归损失
def rpn_smoothL1(input, target, label, num_pos=16, ohem=None):##注意回归损失只用考虑正样本情况，其实和分类损失类似r''':param input: torch.Size([1, 1125, 4]):param target: torch.Size([1, 1125, 4])label: (torch.Size([1, 1125]) pos neg or ignore:return:'''loss_all = []for batch_id in range(target.shape[0]): #target=[64，1805,4], label=64,1805min_pos = min(len(np.where(label[batch_id].cpu() == 1)[0]), num_pos###num_pos=16 获得多少个正样本来计算回归Loss##注意回归损失只用考虑正样本情况if ohem: ##default==falsepos_index = np.where(label[batch_id].cpu() == 1)[0]if len(pos_index) > 0:loss_bid = F.smooth_l1_loss(input[batch_id][pos_index], target[batch_id][pos_index], reduction='none')sort_index = torch.argsort(loss_bid.mean(1))loss_bid_ohem = loss_bid[sort_index[-num_pos:]]else:loss_bid_ohem = torch.FloatTensor([0]).cuda()[0]loss_all.append(loss_bid_ohem.mean())else:pos_index = np.where(label[batch_id].cpu() == 1)[0]pos_index = random.sample(pos_index.tolist(), min_pos)#随机采样if len(pos_index) > 0:loss_bid = F.smooth_l1_loss(input[batch_id][pos_index], target[batch_id][pos_index])else:loss_bid = torch.FloatTensor([0]).cuda()[0] ##没有正样本，不去计算lossloss_all.append(loss_bid.mean())final_loss = torch.stack(loss_all).mean()##所有loss取平均return final_loss
回顾
siamrpn训练的大致过程：
> 1. 获取图片,真实框路径；；用于后续创建dataset
> 2. 生成SiamRPN模型
> 3. 生成dataset（关键，后续会详解）
> get_item函数大致过程:
> 生成exemplar_img, detection_img （经过前处理）
> 生成anchors(与测试，推理的内容一致)
> 根据anchors和groundtruth反计算得到offset_target
> 根据anchors和groundtruth计算iou，并令iou>阈值为正样本，以此生成conf_target（正样本则lable=1,负样本则label=0）。
> get_item函数返回: exemplar_img,detection_img; conf_target, offset_target
> 4. 初始化
> 模型加载；；优化器创建；；LOSS（并未指定loss类，后续会知道）
> 5. 取样,训练
> conf_pred,offset_pred=model.train(exemplar_pic,detection_pic)
> 修正shape
> **计算loss**(关键，后续会详解)
> loss反传
> 6. 训练结果输出训练时loss的大致计算过程：
1.分类loss参数传入conf_pred, conf_target参数 (batch个 5*19*19组值)循环batch正样本loss计算得到子batch中所有正样本（conf_target=1）index(index_pos)确定X随机打乱index_pos并抽取X组数据(pos_loss_index)pos_loss= 交叉熵(conf_pred[子batch][pos_loss_index], conf_target[子batch][pos_loss_index]) 负样本loss计算同理对所有loss取平均为最终conf_loss2.回归loss传入 offset_pred,offset_target, conf_target(ps: 只用计算正样本的回归loss)循环batch得到子batch中所有正样本（conf_target=1）index(index_pos)确定X随机打乱index并抽取X组数据(loss_index)loss= L1_Loss(offset_pred[子batch][loss_index], offset_target[子batch][loss_index])loss取平均为最终regression_loss
最终loss= conf_loss*a + regression_loss*b (a,b为各自loss的权重)
欢迎指正
因为本文主要是本人用来做的笔记，顺便进行知识巩固。如果本文对你有所帮助，那么本博客的目的就已经超额完成了。
本人英语水平、阅读论文能力、读写代码能力较为有限。有错误，恳请大佬指正，感谢。
欢迎交流
邮箱：refreshmentccoffee@gmail.com
SiamRPN代码讲解，训练过程讲解相关推荐
- word2vec自训练词向量（代码+注释+训练过程和结果）
数据集MSRP.SICK.STS下载地址分享 百度云:https://pan.baidu.com/s/1sqlCc702owp_T6KjyNT6Yw 提取码: 66nb 运行:网盘中msr_train ...
- faster rcnn训练过程讲解
http://blog.csdn.net/u014696921/article/details/60321425
- 【深度剖析HMM（附Python代码）】2.隐马尔科夫链HMM的EM训练过程
隐马尔科夫链HMM的参数θ的EM训练过程 现在回到前一节最后提出的参数θ的最大似然函数上来,先对其做个对数变换,做对数变换是考虑到序列X的概率计算公式中包含了连乘,为了方便计算同时避免序列X的概率过小 ...
- 强化学习代码实操和讲解（三）
强化学习代码实操和讲解(三) 引言 杰克租车问题 重点代码解析 环境设置 poisson_probability:泊松概率的计算 expected_return:根据给定策略进行策略评估 figure ...
- 《论文复现》MOJITALK: Generating Emotional Responses at Scale 部分过程讲解
<论文复现>MOJITALK: Generating Emotional Responses at Scale 部分过程讲解 论文解读 数据集 emoji处理 数据集获取 论文解读 < ...
- [转载]项目经理能力训练-如何讲解PPT？
原文地址:项目经理能力训练-如何讲解PPT?作者:吴永达 准备: 1.了解听众背景(年龄.学历) 2.了解听众目前存在的问题(痛苦) 3.明确讲解的目标 策略: 1.产品介绍类:听众的问题1-造成的痛 ...
- SVM支持向量机 超详细过程讲解
SVM支持向量机 超详细过程讲解 前言 一.线性模型 前言 此篇文章为B站浙大机器学习课程支持向量机部分的个人笔记,不喜勿喷.笔记顺序从线性模型到非线性模型,层层递进,十分易懂. 一.线性模型 先从一 ...
- php如何通过变量销毁unset的过程讲解
2019独角兽企业重金招聘Python工程师标准>>> php如何通过变量销毁unset的过程讲解 unset -- 释放给定的变量 描述 void unset ( mixed va ...
- Faster RCNN代码理解（Python） ---训练过程
最近开始学习深度学习,看了下Faster RCNN的代码,在学习的过程中也查阅了很多其他人写的博客,得到了很大的帮助,所以也打算把自己一些粗浅的理解记录下来,一是记录下自己的菜鸟学习之路,方便自己过后 ...
- java 代码块的作用_4种Java代码块的作用讲解
4种Java代码块的作用讲解 时间:2017-06-28 来源:华清远见JAVA学院 今天华清Java学院小编要和大家分享的是Java代码块的作用,代码块是一种常见的代码形式,他用大括号&qu ...
最新文章
- Shiny平台构建与R包开发（七）——Shiny APP部署
- MySQL通讯协议研究2（登录认证）
- 路由设计技术基础（Fundamentals of routing design technology）
- http协议以及get和post请求
- python应用实战案例：python如何实现异步爬虫？
- 链接选项 rpath 的原理和应用
- 常见的下载工具有哪些？BT下载软件哪个好
- a byte of python2微盘_《A Byte of Python》与《简明 Python 教程》PDF版
- FastAPI 教程翻译 - 介绍
- 音阶频率对照表_各个音阶的对应频率
- GPS定位+经纬度定位
- KNN实现手写字体的识别
- word操作 mathtype插入公式 表格
- 2020年的云计算概念和趋势
- PS与qq热键设置雷同
- 一篇文章学会ICP许可证如何年检
- iTunes 10 选择自定义IPSW
- react点击后高亮显示
- openoffice.org3.4 源代码 编译
- 全国/全世界城市Json数据大全
热门文章
- 数字转换英语c语言程序,C语言编写的英语数字转化代码(数字转化为用英语表达的数字).doc...
- oracle报无效数字解决笔记
- 插入报错 Could not set property ‘id‘ of ‘class com.chen.flowerdemo.entity.Flower‘ with value
- RMS TO EAP通过MQTT简单实现
- 微信小程序开发--习题
- Deepin Linux禁用笔记本自带键盘
- 中国移动科普：为什么手机移动网络要叫 “蜂窝移动网络”
- html表单变灰,excel菜单灰色 excel工具栏突然变灰了 怎么办
- 山东大学——国际结算方式
- NEFU锐格实验一[字符串]