如何用YOLO-darknet訓(xùn)練自己的數(shù)據(jù)？在Darknet中，Yo是一個20類，所以您需要將C代碼更改為您自己的代碼。另外，數(shù)據(jù)標(biāo)注的方式也按暗網(wǎng)方式標(biāo)注。作者的博客寫了如何將數(shù)據(jù)集地址添加到代碼

如何用YOLO-darknet訓(xùn)練自己的數(shù)據(jù)？

在Darknet中，Yo是一個20類，所以您需要將C代碼更改為您自己的代碼。另外，數(shù)據(jù)標(biāo)注的方式也按暗網(wǎng)方式標(biāo)注。作者的博客寫了如何將數(shù)據(jù)集地址添加到代碼中。做完手術(shù)，他就可以跑了。

深度學(xué)習(xí)的多個loss如何平衡？

在多任務(wù)學(xué)習(xí)中，任務(wù)的兼容性對學(xué)習(xí)結(jié)果也有一定的影響。當(dāng)兩個任務(wù)相互矛盾時，結(jié)果往往比單個任務(wù)更糟。

多任務(wù)學(xué)習(xí)還需要解決梯度控制問題。造成這一問題的原因是不同任務(wù)的損失梯度過大，導(dǎo)致訓(xùn)練過程中梯度小的損失被梯度大的損失帶走。

如果我們開始加權(quán)不同的損失，使他們有相似的梯度，我們能訓(xùn)練好嗎？通常情況并非如此。不同的損失，他們在訓(xùn)練過程中的梯度變化是不一樣的；而不同的損失，當(dāng)梯度值相同時，他們在任務(wù)上的表現(xiàn)也是不同的。在訓(xùn)練開始時，雖然平衡有所改善，但隨著訓(xùn)練過程的進(jìn)展，在中間出現(xiàn)了梯度控制。因此，要解決這一問題，就必須適當(dāng)平衡不同的損失。

實踐中如何調(diào)整？其實很簡單：

假設(shè)我們有兩個任務(wù)，用a和B來表示，假設(shè)網(wǎng)絡(luò)設(shè)計足夠好，容量足夠大，而且這兩個任務(wù)是相互關(guān)聯(lián)的，所以可以很好地訓(xùn)練它們。

如果a和B分別訓(xùn)練，則它們在收斂時的梯度分別記錄為梯度a，梯度B。然后我們只需要使用每個梯度的倒數(shù)（1/grad）就可以同時訓(xùn)練兩個任務(wù)（a，1/grad，B）平衡兩個任務(wù)并用標(biāo)量乘以它們。根據(jù)單任務(wù)收斂的損失梯度確定多任務(wù)訓(xùn)練中不同任務(wù)的權(quán)重。)

由于在訓(xùn)練中損失的梯度通常較小，如果我們確信這個網(wǎng)絡(luò)在多任務(wù)訓(xùn)練中可以達(dá)到最初的效果，我們只需要在兩個任務(wù)都足夠好的情況下設(shè)置平衡點。這樣，網(wǎng)絡(luò)在訓(xùn)練過程中自然會達(dá)到這個平衡點，即使一開始會有梯度支配。

csgo loss高怎么解決？

1. 開始游戲

2。找到設(shè)置

3。找到視頻設(shè)置

4。你可以適當(dāng)降低你的分辨率

5。在高級視頻設(shè)置中，您還可以降低一些圖像質(zhì)量

首先，您需要知道有兩個損失函數(shù)，交叉熵和均方差。前者適用于標(biāo)記樣本，后者適用于數(shù)值樣本。其次，我們一般用準(zhǔn)確度值和損耗值來衡量網(wǎng)絡(luò)結(jié)構(gòu)的質(zhì)量。很明顯，你的損失價值太大了，這是不對的。最后，你可能會忘記卷積網(wǎng)絡(luò)中最基本的步驟是激活函數(shù)。（美國有線電視新聞網(wǎng)：卷積，激活，池，完全連接）。如果你還不明白，請繼續(xù)提問

CNN訓(xùn)練怎樣證明有效？

首先，查看您擁有的數(shù)據(jù)量。如果數(shù)據(jù)太少，就會過度擬合。不會掉下去的。

訓(xùn)練loss只在開始下降，這還是訓(xùn)練迭代次數(shù)太少嗎？為什么？

首先，考慮網(wǎng)絡(luò)的過度擬合問題。只有減少訓(xùn)練集的損失，參數(shù)過多才有可能導(dǎo)致過度擬合。您可以添加退出層來嘗試。也有這樣一個線性分類器本身。一層中的單個神經(jīng)網(wǎng)絡(luò)節(jié)點就可以做到這一點，因此不需要使用多層。

您可以嘗試使用它來更好地了解單個神經(jīng)網(wǎng)絡(luò)的特性。

Tensorflow-神經(jīng)網(wǎng)絡(luò)，但我還有一個問題。看左圖，我覺得數(shù)據(jù)集的數(shù)據(jù)分布不一樣。而且，訓(xùn)練集是線性的，其他數(shù)據(jù)集的分布非常分散。損失不能減少是正常的。數(shù)據(jù)處理有問題嗎。