(channels_last格式)。你可以看到RGB层的每个像素更近了。据报道，这种NHWC格式与FP16的AMP一起使用可以获得8%到35%的加速。目前，它仍处于beta测试阶段，仅支持4D

RCNN是一种常用的物体检测模型。然而，当检测类的数量小于100时，物体检测是最成功的。这篇文章针对具有数千个类别的大规模物体检测问题，提出了一种基于长尾数据分布、重遮挡和类模糊的目标检测方法。

k=1)bottleneck块背后的思想是使用计算量很小的1x1的卷积将通道的数量减少r倍，接下来的3x3的卷积的参数会大大减小，最后，我们再使用另一个1x1的卷积将通道数变回原来的样子。

Notebooks，使用了Scikit-Learn和Numpy的库，也少量使用了Numba（一个将Python编译成C的库，用来加速计算）和Pytorch（使用GPU替代Numpy）。

normalization用来构建，训练和进行推理。得到的网络训练时具有饱和的非线性性，对于大的学习率更加的鲁棒，往往不需要使用Dropout来进行正则化。”-Ioffe

在每一个位置中，我们有k个anchors（anchors只是初始的固定的边界框的猜测），一个anchor对应一个预测。我们仔细的选择了这些anchors，每个位置使用了相同的anchor的形状。

R-CNN同样的设计，除了将生成建议区域的方法替换成了使用网络来做，ROIs是通过特征图得到的。新的建议区域生成网络（RPN）更加的高效生成ROIs的时候，每张图像只需要10ms。

不是所有的数据都是完美的。实际上，如果你拿到一个真实的完全均衡的数据集的话，那你真的是走了狗屎运了。大部分的时候，你的数据都会有某种程度上的不均衡，也就是说你的数据集中每个类别的数量会不一样。

是一个开源的机器学习Python库。功能包括分类，回归，聚类，算法包括支持向量机，随机森林，梯度提升，k均值和密度聚类算法。而且和Python的数值处理库如Numpy和SciPy能够互通。

这个包通过创建一个增强的pipeline，即定义一系列的操作。这些操作有比如旋转和变换，一个加一个成为一个增强的pipeline，当完成的时候，pipeline可以执行，增强之后的数据也创建成功。

在我们更进一步之前，我们需要搞定麻烦的类别变量。机器学习模型是处理不了类别变量的（除了某些像LightGBM之类的模型外）。所以，我们需要找个办法将这些变量编码成数字。有两个主要的方法来处理：

github地址：https://github.com/lzhbrian/image-to-image-papers

好玩，有趣的AI公众号，图像处理，NLP，深度学习，机器学习，应有尽有。希望大家能在AI的乐园中快乐玩耍。

"https://raw.githubusercontent.com/zhendata/Medium_Posts/master/City_Zhvi_1bedroom_2018_05.csv"#