SSD使用VGG-16-Atrous作为基础网络，其中黄色部分为在VGG-16基础网络上填加的特征提取层。
SSD与yolo不同之处是除了在最终特征图上做目标检测之外，还在之前选取的5个特特征图上进行预测。
SSD图1为SSD网络进行一次预测的示意图，可以看出，检测过程不只在填加特征图(conv8_2,conv9_2,conv_10_2,pool_11)上进行，为了保证网络对小目标有很好检测效果，检测过程也在基础网络特征图(conv4_3,conv_7)上进行。

几个月前自己上手YOLOV3-keras，自己训练了一个数据集。
在测试的时候，发现源码作者的测试不好用。
自己稍稍修改了一下。
几点改进（1）批量测试图片将待测试的图片放入'./test'路径下。
测试的时候，第一张图片需要的时间大约是2s左右，因为需要加载模型，所需时间就相对较长一些。
在博主的机器上，测试逐个张图片的时间大约是0.1s左右；
（2）保存测试结果完成测试后，将测试的结果保存在result文件夹中。
方便以后查看（3）将测试结果输出为一个result.txt文件。
result.txt内容包含了每一个bbox的信息。

助力使用keras模型，避免在网上寻觅数据导致时间的浪费。

要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。
给定图片数据的格式：解决思路整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras.具体思路：读取图片数据，保存成.npy格式，方便后续加载标签采用one-hot方式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载将数据分为训练集、验证集、测试集使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练优化模型，调整超参数，提高准确率在测试集上对模型进行评估，使用精确率、召回率对单张图片进行预测，并输出每种类别的概率如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证如何使用keras进行迁移学习keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化如何使用sklearn计算准确率，精确率，召回率，F1_

基于keras深度学习框架，使用卷积神经网络CNN实现cifar-10图片分类

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。