2023.4.4初入深度学习
1. [《关于一起深度学习的那些事》 - 哔哩哔哩 (bilibili.com)](https://www.bilibili.com/read/cv10239076)
2. [ 如何下载与打开一个Github深度学习库 ](https://www.bilibili.com/video/BV1GY4y1t7Cc/?share_source=copy_web\&vd_source=1e6f2281c23ca69b18df2d7768310983)
3. [初入深度学习，和2匹配](http://t.csdn.cn/2pn8q)
4. [Markdown笔记使用指南](https://note.youdao.com/help-center/advance_markdown.html)
5.（1） [Pytorch 通过Colab平台训练深度学习网络-Demo-毕设可用（Bubbliiiing 深度学习 教程）\_哔哩哔哩\_bilibili](https://www.bilibili.com/video/BV1GS4y1Y7Qb/?buvid=XU940B19BFAFF029F42A74F7FC402A134B02F\&is_story_h5=false\&mid=joPCZEvcu0L%2B8Itnd0rqTg%3D%3D\&p=1\&plat_id=116\&share_from=ugc\&share_medium=android\&share_plat=android\&share_session_id=69f1badf-026d-4163-acf6-4ec1937908ad\&share_source=WEIXIN\&share_tag=s_i\×tamp=1679383532\&unique_k=hgifJWk\&up_id=472467171\&vd_source=53595ce97ff286fb30931038bb246c28) 视频
（2） [神经网络学习小记录69——Pytorch 使用Google Colab进行深度学习](http://t.csdn.cn/PzU96) 博文
6. [Google Colab 无敌详细使用教程](http://t.csdn.cn/Fu9DO)
7. [美国桑迪亚（sandia）国家实验室提供一系列机载SAR数据，包括MiniSAR、FARAR等。数据分辨率4英寸，约0.1米。原始数据](SAR Data – Pathfinder Radar ISR & SAR Systems (sandia.gov)
笔记（很多直接复制粘贴的东西）
关于一起深度学习的那些事
我建议先入门keras或者pytorch后，再开始学习深度学习。我当时学习的keras教程是莫烦python，但是这个教程已经偏老了，很多keras语法已经发生了改变，大家可以跟着学习也可以自己上网去搜索其它教程。而对于pytorch的学习，我基本上没怎么看教程，那时候已经学了很久的keras了，对深度学习的套路了解了一些，直接就入门硬看了。我的建议还是，先入门Keras或者Pytorch，至少会自己创建一些卷积网络再开始学习，其中尤其要注意权值的保存与载入。
对于有python基础，而且有深度学习基础的同学来讲，我建议可以直接开始学习我上传的一些代码了，我上传的代码均是我参考github加上自己的理解改编写出来的，并非完全原创也并非完全复制。我建议的学习顺序是经典卷积神经网络 => SSD => yolov3 => retinanet => yolov4 => Faster RCNN => efficientdet。这个建议顺序是根据网络的难易程度进行一个划分的，其中可以穿插语义分割网络、人脸识别网络、GAN网络的学习。这些网络的学习有助于同学们理解各个网络的原理。 作者：Bubbliiiing <https://www.bilibili.com/read/cv10239076>; 出处：bilibili
初入深度学习1
1. pwd查看根目录
2. 修改仓库时会保留Git信息（可以查看修改的部分）
初入深度学习2
1. readme文件
2. requirements.txt文件（环境配置）
3. 训练关键词，train（readme）
4. 预测关键词，predict,inference,detect（readme)
初入深度学习3
1. 在训练模型时，需要考虑模型本身，训练参数，数据加载与损失函数。\
在预测模型时，需要考虑模型本身，数据加载，预测后处理。
2. 加载数据关键词datasets,dataload
初入深度学习4
1. 模型本身model,net
2. 训练参数yaml文件，cfg文件
3. 数据加载data,datasets,dataloader
4. 预测的数据加载和训练的数据加载相比，少了数据增强与标签处理的部分，主要是对输入图片进行预处理,predict
5. 损失函数loss,
**Loss组成的话，每个仓库有每个仓库不同的组成方式，因此解析的难度是非常大的，特别是在目标检测中，正样本的选取方式多样，很难直接对Loss有个整体的认知，想要进一步了解Loss的工作，通常要对损失进行一行、一行的分析。**
6. 预测后处理，包括**预测结果的解码与预测图片的可视化**
其他
1. win+R,输入dxdiag可以看电脑配置。
