从零复现PyTorch版（1）

从零复现PyTorch版（与行人车辆检测实战）（1） 1. 项目介绍

基于Pytorch的Yolov4代码更改

• 支持训练异常中断时的从上次的epoch恢复
• 构建和darknet相同的损失函数，不借助torch直接手写损失
• 增加label_smooth标签平滑策略
• 数据加载变包含dataloader模式和generator模式
• 增加强大的数据验证脚本，包含map计算，准招率计算，错检漏检图片保存

2. 图像卷积和卷积神经网络

卷积核，步长与Padding巧妙配合

K:最后生成的特征图尺寸
n:原始输入的图片或者特征图尺寸
p:Padding的数量
s:卷积的步长
Yolov4中的下采样操作：
f=3, p=1, s=2
（弃用了max_polling）
Yolov4中的保持尺寸不变卷积操作：
f=3, p=1, s=2

3. Maxpolling层和全连接层

4. 全连接层原理和操作

5. 1X1卷积的用处？

灵活的降维和升维
减少参数量和计算量

1X1 Conv代替全连接层

YOLO中使用1X1卷积的设计思路

6. 想当年一个softmax打天下

7. 用sigmod来代替softmax

1.假设当前有N个类别，等同于使用N个sigmod函数作为输出来替代多分类的softmax
2.这么做并不是谁好谁怀，而是根据你数据类别是否互斥
3.如果类别是非黑即白的可以使用softmax，否则使用多个sigmod，比如人，男人，小孩，3个类别，则必须使用sigmod
4.对于sigmod计算损失函数时，常使用二分类交叉熵

8. 激活函数

暑期编程PK赛 得CSDN机械键盘等精美礼品！