定位中物體可以表示為回歸任務：**物體周圍的邊界框，一種常見的方法是**物體中心的水平座標和垂直座標，還有其高度和寬度。這意味著有四個數字要**。它不需要對模型進行太多修改，只需要新增四個具有單位的第二個密集輸出層（通常在全域性平均池化層之上），就可以使用mse損失對其進行訓練：
import tensorflow as tf
from tensorflow import keras
import tensorflow_datasets as tfds
(test_set, valid_set, train_set), info = tfds.load('tf_flowers', split=['train[:10%]', 'train[10%:25%]', 'train[25%:]'],
as_supervised=true, with_info=true)
dataset_size = info.splits['train'].num_examples
class_names = info.features['label'].names
n_classes = info.features['label'].num_classes
def preprocess(image, label):
resize_image = tf.image.resize(image, [224, 224])
return final_image, label
batch_size = 16
train_set = train_set.shuffle(1000)
train_set = train_set.map(preprocess).batch(batch_size).prefetch(1)
valid_set = valid_set.map(preprocess).batch(batch_size).prefetch(1)
test_set = test_set.map(preprocess).batch(batch_size).prefetch(1)
class_output = keras.layers.dense(n_classes, activation='softmax')(**g)
loc_output = keras.layers.dense(4)(**g)
optimizer = keras.optimizers.sgd(lr=.2, momentum=.9, decay=.01)
model = keras.model(input=base_model.input, outputs=[class_output, loc_output])
model.compile(loss=['sparse_categorical_entropy', 'mse'], loss_weights=[0.8, 0.2],
optimizer=optimizer, metrics=['accuracy'])
花朵資料集在花朵周圍沒有邊界框，因此需要自己新增。這通常是機器學習專案中最難、最昂貴的部分之一：獲取標籤。花時間尋找合適的工具是乙個辦法。要使用邊界框標註影象，可能需要使用開源影象標記工具，例如vgg image annotator、labelimg、openlabeler或imagelab，或者使用商業工具（例如labelbox或supervisely）。如果需要標註大量影象，則可能還需要考慮眾包平台，例如amazon mechanical turk。但是建立眾包平台，需要準備傳送給工人的**，對其進行監督並確保他們產生的邊界框的質量是很好的，因此要保證這樣做是值得的。如果只有幾千張影象要標記，最好自己動手做。
如果已經獲得了花朵資料集中每個影象的邊界框（假設每個影象有乙個邊界框）。那麼需要建立乙個資料集，其資料項將是經過預處理的影象的批量處理，以及它們的類標籤和邊界框。每個資料集都應為一下形式的元組：(image,(class_labels,bounding_boxes))。
對邊界框應該進行歸一化，以便水平座標和垂直座標以及高度和寬度都在0到1的範圍內。而且通常要**高度和寬度的平方根，而不是直接的高度和寬度值：通過這種方式，對於大邊框的10畫素錯誤將不會像對小邊框的10畫素錯誤一樣受懲罰
mse通常作為成本函式可以很好的訓練模型，但是評估模型對邊界框的**能力不是乙個很好的指標。最常用的度量指標是「交並比」（intersection over union iou）：**邊界框和目標邊界框之間的重疊面積除以它們的聯合面積。在tf.keras中，它是由tf.keras.metrics.meaniou類實現的
定位的分類 特點與應用
一 相對定位 position relative 特點 不脫離標準文件流，可以調整元素 以原來的位置為參考點 二 絕對定位 position absolute 特點 1 脫離標準文件流，不在頁面佔位置 2 層級提高，壓蓋現象 1 單獨給乙個盒子設定絕對定位，以根元素頁面左上角為參考點 2 相對於最近...
css筆記 定位的分類
使用定位可以將元素擺放到任意位置 分類1 預設的定位 塊元素垂直排列，行內元素左右排列，稱之為流 流 元素有序排列而形成的隊伍 特殊的定位 浮動定位 可以讓塊元素左右排列 分類 左浮動，右浮動 步驟 浮動的目標離隊，目標的弟弟會跟上，目標達到指定位置 規則 目標會脫離流 隊伍 右浮動 可以讓塊倒序左...
soft lockup的分類和定位方法
我之前已經寫了lockup問題的檢測原理，本來就來嘗試梳理一下soft lockup問題觸發場景和解決方法。首先需要明確一點soft lockup是一類問題，引起它的原因也是各有不同，本文只是嘗試做一些梳理，把一些具有共通性的特點的問題做一些總結，可能存在有不全面的地方。第一種場景 spinlock...