AI学长

Attention的思想如同它的名字一样，就是“注意力”，在预测结果时把注意力放在不同的特征上。

根据样本种类分布使用图像调用频率不同的方法解决。1、读取训练样本中的GT，保存为一个列表；2、计算训练样本列表中不同类别个数，然后给每个类别按相应目标框数的倒数赋值，数目越多的种类权重越小，形成按种类的分布直方图；3、对于训练数据列表，训练时按照类别权重筛选出每类的图像作为训练数据。使用random.choice(population, weights=None, *, cum_weights=None, k=1)更改训练图像索引，可达到样本均衡的效果。

在yolov5 中训练开始前，计算数据集标注信息针对默认锚定框的最佳召回率，当最佳召回率大于等于0.98时，则不需要更新锚定框；如果最佳召回率小于0.98，则需要重新计算数据集的锚定框，如果计算处理更好则更新原理的anchors。

众所周知学习率是一个非常重要的超参数，直接影响着网络训练的速度和收敛情况。通常情况下，网络开始训练之前，我们会随机初始化权重，设置学习率过大会导致模型振荡严重，学习率过小，网络收敛太慢。那这个时候该怎么做呢？是不是有人会说，我前面几十个或者几百个epoch学习率设置小一点，后面正常后，设置大一点呢，没错这就是最简单的Warmup。

1. 人工神经元的理解；2. 感知器模型3. 感知器模型是如何训练的

内容：人工智能、机器学习、深度学习概念；深度学习的发展历史；深度学习的应用。