阅读列表
---阅读列表2020.4.3
1. from functools import partial
当函数的参数较多时，可以使用partial来固定一部分参数。
>>> from functools import partial
>>> s1 = partial(spam, 1) # a = 1
>>> s1(2, 3, 4)
2 3 4
>>> s1(4, 5, 6)
4 5 6
>>> s2 = partial(spam, d=42) # d = 42
>>> s2(1, 2, 3)
2 3 42
>>> s2(4, 5, 5)
5 5 42
>>> s3 = partial(spam, 1, 2, d=42) # a = 1, b = 2, d = 42
>>> s3(3)
2 3 42
>>> s3(4)
2 4 42
>>> s3(5)
2 5 42
>>>
---阅读列表2020.3.30
pix4dmapper 安装
WebODM 安装 https://github.com/OpenDroneMap/WebODM 先安装Docker，再安装webodm
---阅读列表2020.3.26
tensorflow gradientTape 教程1 教程2
---阅读列表2020.3.18
使用卷积神经网络需要注意：
1. 2个3x3的卷积核效果等于1个5x5的卷积核，但是应该多使用3x3的卷积核。因为2个3x3的卷积核比1个5x5的卷积核参数要少28%（输入x输出x5x5 - 2*输入x输出x3x3 / 输入x输出x5x5），而且多了一层激活函数，网络学习能力就会增强
2. 多使用1x1的卷积核。1x1的卷积核相当于纵向的全连接操作，可以实现降维的效果。
3. VGG网络从层数最少的A开始训练，训练好的A的参数来初始化B，B新加的层随机化参数再进行训练，训练好之后用B的参数再初始化C。这样做的好处是优化了网络初始值，降低了训练更深的网络的难度。
4. VGG网络的另一个优点是对于不同的图像使用了不同的分类器，增加了看图角度。
5. ResNet解决了VGG网络深度不能再增加的问题。VGG网络56层还不如20层的效果好
6. 工程优化：同样的参数量，让网络的效果更好，性能更强。
7. ResNet残差结构让网络学习到的知识更少，更容易学习。一般的卷积网络每一层需要保留图像所有的特征，而残差网络通过残差的传递，使得网络每一层需要学习的内容变少，只需要学到特殊的内容就可以。
8. ResNet残差结构使得每一层的数据分布接近，容易学习。比如，图像一开始的分布是0~255，通过多层的学习之后，数据范围变成0~512，或者512~1024，模型需要兼容多个范围。残差结构最后的层fx应该接近0，或者更加接近x的分布，这种情况下更加易于学习。
9. InceptionNet解决的问题：更深的网络容易过拟合；更深的网络有更大的计算量。
---阅读列表2020.2.19
关于为什么神经网络可以进行压缩？https://www.pyimagesearch.com/2020/02/17/autoencoders-with-keras-tensorflow-and-deep-learning/
autoencoder通过将多维度的数据进行编码生成低纬度的潜空间数据，从而实现了数据的压缩。这也是autoencoder的一个重要作用。
---阅读列表2020.2.14
sparse_categorical_crossentropy和categorical_crossentropy的区别：
y的标签如果是index则用sparse_categorical_crossentropy
y->one_hot->[]
标签->ont_hot编码->向量
如果y已经是向量了，ze 使用categorical_crossentropy
阅读列表2020.2.5
1.发现mnn比较快
官方介绍：yuque.com/mnn/cn/about
代码库：https://github.com/alibaba/MNN
2.面部识别，截至2020.2.5最新的技术是blazeface
paddle实现blazeface:https://github.com/PaddlePaddle/PaddleDetection
blazeface的模型在这里可以找到：https://github.com/PaddlePaddle/PaddleDetection/tree/release/0.1/ppdet/modeling/backbones
使用数据集wider_face:http://shuoyang1213.me/WIDERFACE/
使用mnn进行blazeface的代码：https://github.com/xindongzhang/MNN-APPLICATIONS/tree/master/applications/blazeface/tensorflow/jni
blazeface对于嵌入式非常友好：https://zhuanlan.zhihu.com/p/79047443
https://zhuanlan.zhihu.com/p/73741766
使用Pyramidbox进行人脸检测：https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection
大小仅1MB，超轻量级通用人脸检测模型登上GitHub趋势榜:https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
3.非常准确的这牌检测技术
https://github.com/zhubenfu/License-Plate-Detect-Recognition-via-Deep-Neural-Networks-accuracy-up-to-99.9