前段時間模型訓練出來了，現在需要寫報告了，打開配置文件，嗯，一大堆參數：
所以，行吧，重頭仔細看一遍參數具體含義
先放一篇參考博客：
https://blog.csdn.net/weixin_42731241/article/details/81474920
稍加整理：
batch=64 單批訓練樣本的樣本數量，每batch個樣本更新一次參數 subdivisions=32 batch/subdivisions 作為一次性送入訓練器的樣本數量,如果內存不夠大，將batch分割為subdivisions個子batch（實驗室內存應該足夠） 上面這兩個參數如果電腦內存小，則把batch改小一點，batch越大，訓練效果越好 subdivisions 越大，可以減輕顯卡壓力（顯卡不大懂，不過應該也沒壓力） width=416 input圖像的寬 height=416 input圖像的高 channels=3 input圖像的通道數（這仨參數應該很好理解，通道就是顏色數） 以上三個參數為輸入圖像的參數信息 width和height影響網絡對輸入圖像的分辨率， 從而影響precision，只可以設置成32的倍數（32*13=416） momentum=0.9 DeepLearning1中最優化方法中的動量參數，這個值影響着梯度下降到最優值得速度 decay=0.0005 權重衰減正則項，防止過擬合.每一次學習的過程中，將學習后的參數按照固定比例進行降低，為了防止過擬合， decay參數越大對過擬合的抑制能力越強。 angle=0 通過旋轉角度來生成更多訓練樣本 saturation = 1.5 通過調整飽和度來生成更多訓練樣本 exposure = 1.5 通過調整曝光量來生成更多訓練樣本 hue=.1 通過調整色調來生成更多訓練樣本 learning_rate=0.001 學習率決定着權值更新的速度，設置得太大會使結果超過最優值，太小會使下降速度過慢。開始訓練時可以將學習率設置的高一點。 以 0.01 ~ 0.001 為宜。接近訓練結束：學習速率的衰減應該在100倍以上。 學習率的調整參考https://blog.csdn.net/qq_33485434/article/details/80452941 burn_in=1000 在迭代次數小於burn_in時，其學習率的更新有一種方式，大於burn_in時，才采用policy的更新方式 max_batches = 20200 訓練達到max_batches后停止學習 policy=steps 這個是學習率調整的策略，有policy：constant, steps, exp, poly, step, sig, RANDOM，constant等方式 參考https://nanfei.ink/2018/01/23/YOLOv2%E8%B0%83%E5%8F%82%E6%80%BB%E7%BB%93/#more steps=40000,45000 下面這兩個參數steps和scale是設置學習率的變化，比如迭代到40000次時，學習率衰減十倍。 scales=.1,.1 45000次迭代時，學習率又會在前一個學習率的基礎上衰減十倍 [convolutional] batch_normalize=1 是否做BN filters=32 輸出特征圖的數量 size=3 卷積核的尺寸 stride=1 做卷積運算的步長 pad=1 如果pad為0,padding由 padding參數指定; 如果pad為1，padding大小為size/2，padding應該是對輸入圖像左邊緣拓展的像素數量 activation=leaky 激活函數的類型 。。。。。。。。。。。。此處省略若干行 [convolutional] size=1 stride=1 pad=1 filters=45 每一個[region/yolo]層前的最后一個卷積層中的 filters=(classes+1+coords)*anchors_num， 其中anchors_num 是該層mask的一個值.如果沒有mask則 anchors_num=num是這層的ancho 5的意義是5個坐標，論文中的tx,ty,tw,th,to activation=linear [yolo] 在yoloV2中yolo層叫region層 mask = 6,7,8 這一層預測第6、7、8個 anchor boxes ，每個yolo層實際上只預測3個由mask定義的anchors anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 anchors是可以事先通過cmd指令計算出來的，是和圖片數量，width,height 以及cluster(應該就是下面的num的值，即想要使用的anchors的數量)相關的預選框， 可以手工挑選，也可以通過kmeans 從訓練樣本中學出 classes=10 網絡需要識別的物體種類數 num=9 每個grid cell預測幾個box,和anchors的數量一致。當想要使用更多anchors時需要調大num，且如果調大num后訓練時Obj趨近0的話可以嘗試調大object_scale jitter=.3 [?]利用數據抖動產生更多數據，YOLOv2中使用的是crop，filp，以及net層的angle，flip是隨機的， jitter就是crop的參數，tiny-yolo-voc.cfg中jitter=.3，就是在0~0.3中進行crop ignore_thresh = .5 決定是否需要計算IOU誤差的參數，大於thresh，IOU誤差不會夾在cost function中 truth_thresh = 1 random=0 如果為1，每次迭代圖片大小隨機從320到608，步長為32，如果為0，每次訓練大小與輸入大小一致 據說random設置成1，可以增加檢測精度precision [route] layers = -4 #可以添加沒有標注框的圖片和其空的txt文件，作為negative數據 #可以在第一個[yolo]層之前的倒數第二個[convolutional]層末尾添加 stopbackward=1,以此提升訓練速度 #即使在用416*416訓練完之后，也可以在cfg文件中設置較大的width和height，增加網絡對圖像的分辨率，從而更可能檢測出圖像中的小目標，而不需要重新訓練 #Out of memory的錯誤需要通過增大subdivisions來解決
差不多這些了，看網上的參數大同小異。
然后是語句整理：
修改之后：
