深度学习随笔[tensorflow] 多维矩阵的乘法

​​最新openCV-Python安装教程（python：3.9||opencv-python：4.5.5）_Mr.zzc的博客

​​pycharm导入opencv后无智能提示 - 知乎​​  版本问题，选择3.4.14.51可以，选择3.4.18.65不行

​​Python入门必看！零基础也能学 - 哔哩哔哩​​

​​Python 基础教程 | 菜鸟教程​​

​​Python 3 教程 | 菜鸟教程​​

​​损失函数｜交叉熵损失函数

 ​​Softmax 函数的特点和作用是什么？ - 知乎在看到LDA模型的时候突然发现一个叫softmax函数。维基上的解释和公式是：“softmax function is a genera…

 ​​交叉熵损失函数(Cross Entropy Error Function)与均方差损失函数(Mean Squared Error)_bitcarmanlee的博客-CSDN博客1.均方差损失函数(Mean Squared Error)均方差损失函数是预测数据和原始数据对应点误差的平方和的均值。计算方式也比较简单MSE=1N(y^−y)2MSE = \frac{1}{N}(\hat y - y) ^ 2MSE=N1(y^−y)2其中，N为样本个数。2.交叉熵损失函数(Cross Entropy Error Function)在分类问题中，尤其是在神经网络中，

​​为什么e^x 的导数是还是其自身？

​​CNN 入门讲解：什么是卷积（Convolution）

​​如何通俗易懂地解释卷积？

​​ 一文让你理解什么是卷积神经网络https://www.jianshu.com/p/1ea2949c0056https://www.jianshu.com/p/1ea2949c0056​​

​​马同学高中数学马同学高等数学​https://www.zhihu.com/column/matongxue​​​​https://www.zhihu.com/column/c_1365350688877232128​​

​

​​矩阵乘法的本质是什么？https://www.zhihu.com/question/21351965https://www.zhihu.com/question/21351965​​

​​一文搞懂RNN（循环神经网络）基础篇https://zhuanlan.zhihu.com/p/30844905https://zhuanlan.zhihu.com/p/30844905​​

​​如何有效地阅读PyTorch的源代码？https://www.zhihu.com/question/58253344

​​ PyTorch 源码解读https://www.zhihu.com/column/c_1316816403623084032

​​Pytorch源码解析

​​【官方双语/合集】线性代数的本质 - 系列合集_哔哩哔哩_bilibili通过直观的动画演示，理解线性代数的大部分核心概念翻译：@Solara570 @rjdimo资助页面：www.patreon.com/3blue1brownEssence of linear algebra http://bit.ly/2kDa5o0https://www.bilibili.com/video/BV1ys411472E?spm_id_from=333.999.0.0​​

 ​​【官方双语/合集】微积分的本质 - 系列合集_哔哩哔哩_bilibili《微积分的本质》合集。更多信息请见各分集简介和评论置顶https://www.bilibili.com/video/BV1qW411N7FU?spm_id_from=333.999.0.0​​

R-CNN

​​R-CNN史上最全讲解_江南綿雨的博客-CSDN博客_r-cnn​​

YOLO

​​写给小白的YOLO介绍 - 知乎​​

​​You Only Look Once: Unified, Real-Time Object Detection​​ 论文

NMS（非极大抑制）

​​物体检测中常用的几个概念迁移学习、IOU、NMS理解_zhang_shuai12的博客

​​目标检测中NMS（非极大抑制）的概念理解_花花少年的博客

​​目标定位和检测系列（3）：交并比（IOU）和非极大值抑制（NMS）的python实现_Meringue_zz的博客

​​【目标检测】IoU（交并比）详解及代码实现_姚路遥遥的博客

TensorRT 

​​https://docs.nvidia.com/deeplearning/tensorrt/archives/tensorrt-700/tensorrt-api/c_api/​​