CV基礎知識點深刻理解

BN實現：

• Batch Normalization學習筆記及其實現；

• BatchNormalization 層的實現

• 使用Python實現Batch normalization和卷積層

• Batch Normalization原理與使用過程 （推薦）

• tensorflow 之常見模塊conv,bn...實現

根據：Pytorch Batch Normalizatin layer的坑 我的理解：pytorch中affine參數爲BN層的參數γ和β是不是可學習的；track_running_stats爲是否滑動平均batch的均值和方差；model.train和mode.eval分別設置；可是在train的時候要凍結BN及其統計數據；須要在train模式下從新設置，由於：BN層的統計數據更新是在每一次訓練階段model.train()後的forward()方法中自動實現的，而不是在梯度計算與反向傳播中更新optim.step()中完成；CLASS torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)

• 【譯文】TensorFlow實現Batch Normalization

卷積層的實現：

• 卷積層Layer的實現（推薦）

• 使用Python實現Batch normalization和卷積層

• 【Python實現卷積神經網絡】：卷積層的正向傳播與反向傳播+python實現代碼

• 卷積操做詳解(推薦)

• 卷積神經網絡(CNN)反向傳播算法

Pool池化實現：

• 池化和BN層的實現

檢測中各類池化的實現(RoIPool, RoIAlign,CornerPool...)：

• 詳解 ROI Align 的基本原理和實現細節

反捲積實現：

• python 反捲積（DeConv) tensorflow反捲積（DeConv）(實現原理+手寫）
• 轉置卷積&&膨脹卷積

激活函數：

• 激活函數(Sigmoid, ReLU, Swish, Maxout)