René's URL Explorer Experiment


Title: 13.7. 单发多框检测（SSD） — 动手学深度学习 2.0.0 documentation

direct link

Domain: zh-v2.d2l.ai

Noneie=edge

Links:

13. 计算机视觉https://zh-v2.d2l.ai/chapter_computer-vision/index.html
code https://zh-v2.d2l.ai/_sources/chapter_computer-vision/ssd.rst.txt
MXNet https://zh-v2.d2l.ai/d2l-zh.pdf
PyTorch https://zh-v2.d2l.ai/d2l-zh-pytorch.pdf
Jupyter 记事本 https://zh-v2.d2l.ai/d2l-zh.zip
课程 https://courses.d2l.ai/zh-v2/
GitHub https://github.com/d2l-ai/d2l-zh
English https://d2l.ai
https://zh-v2.d2l.ai/index.html
前言https://zh-v2.d2l.ai/chapter_preface/index.html
安装https://zh-v2.d2l.ai/chapter_installation/index.html
符号https://zh-v2.d2l.ai/chapter_notation/index.html
1. 引言https://zh-v2.d2l.ai/chapter_introduction/index.html
2. 预备知识https://zh-v2.d2l.ai/chapter_preliminaries/index.html
2.1. 数据操作https://zh-v2.d2l.ai/chapter_preliminaries/ndarray.html
2.2. 数据预处理https://zh-v2.d2l.ai/chapter_preliminaries/pandas.html
2.3. 线性代数https://zh-v2.d2l.ai/chapter_preliminaries/linear-algebra.html
2.4. 微积分https://zh-v2.d2l.ai/chapter_preliminaries/calculus.html
2.5. 自动微分https://zh-v2.d2l.ai/chapter_preliminaries/autograd.html
2.6. 概率https://zh-v2.d2l.ai/chapter_preliminaries/probability.html
2.7. 查阅文档https://zh-v2.d2l.ai/chapter_preliminaries/lookup-api.html
3. 线性神经网络https://zh-v2.d2l.ai/chapter_linear-networks/index.html
3.1. 线性回归https://zh-v2.d2l.ai/chapter_linear-networks/linear-regression.html
3.2. 线性回归的从零开始实现https://zh-v2.d2l.ai/chapter_linear-networks/linear-regression-scratch.html
3.3. 线性回归的简洁实现https://zh-v2.d2l.ai/chapter_linear-networks/linear-regression-concise.html
3.4. softmax回归https://zh-v2.d2l.ai/chapter_linear-networks/softmax-regression.html
3.5. 图像分类数据集https://zh-v2.d2l.ai/chapter_linear-networks/image-classification-dataset.html
3.6. softmax回归的从零开始实现https://zh-v2.d2l.ai/chapter_linear-networks/softmax-regression-scratch.html
3.7. softmax回归的简洁实现https://zh-v2.d2l.ai/chapter_linear-networks/softmax-regression-concise.html
4. 多层感知机https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/index.html
4.1. 多层感知机https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/mlp.html
4.2. 多层感知机的从零开始实现https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/mlp-scratch.html
4.3. 多层感知机的简洁实现https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/mlp-concise.html
4.4. 模型选择、欠拟合和过拟合https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/underfit-overfit.html
4.5. 权重衰减https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/weight-decay.html
4.6. 暂退法（Dropout）https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/dropout.html
4.7. 前向传播、反向传播和计算图https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/backprop.html
4.8. 数值稳定性和模型初始化https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/numerical-stability-and-init.html
4.9. 环境和分布偏移https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/environment.html
4.10. 实战Kaggle比赛：预测房价https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/kaggle-house-price.html
5. 深度学习计算https://zh-v2.d2l.ai/chapter_deep-learning-computation/index.html
5.1. 层和块https://zh-v2.d2l.ai/chapter_deep-learning-computation/model-construction.html
5.2. 参数管理https://zh-v2.d2l.ai/chapter_deep-learning-computation/parameters.html
5.3. 延后初始化https://zh-v2.d2l.ai/chapter_deep-learning-computation/deferred-init.html
5.4. 自定义层https://zh-v2.d2l.ai/chapter_deep-learning-computation/custom-layer.html
5.5. 读写文件https://zh-v2.d2l.ai/chapter_deep-learning-computation/read-write.html
5.6. GPUhttps://zh-v2.d2l.ai/chapter_deep-learning-computation/use-gpu.html
6. 卷积神经网络https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/index.html
6.1. 从全连接层到卷积https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/why-conv.html
6.2. 图像卷积https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/conv-layer.html
6.3. 填充和步幅https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/padding-and-strides.html
6.4. 多输入多输出通道https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/channels.html
6.5. 汇聚层https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/pooling.html
6.6. 卷积神经网络（LeNet）https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/lenet.html
7. 现代卷积神经网络https://zh-v2.d2l.ai/chapter_convolutional-modern/index.html
7.1. 深度卷积神经网络（AlexNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/alexnet.html
7.2. 使用块的网络（VGG）https://zh-v2.d2l.ai/chapter_convolutional-modern/vgg.html
7.3. 网络中的网络（NiN）https://zh-v2.d2l.ai/chapter_convolutional-modern/nin.html
7.4. 含并行连结的网络（GoogLeNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/googlenet.html
7.5. 批量规范化https://zh-v2.d2l.ai/chapter_convolutional-modern/batch-norm.html
7.6. 残差网络（ResNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/resnet.html
7.7. 稠密连接网络（DenseNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/densenet.html
8. 循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/index.html
8.1. 序列模型https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/sequence.html
8.2. 文本预处理https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/text-preprocessing.html
8.3. 语言模型和数据集https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/language-models-and-dataset.html
8.4. 循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/rnn.html
8.5. 循环神经网络的从零开始实现https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/rnn-scratch.html
8.6. 循环神经网络的简洁实现https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/rnn-concise.html
8.7. 通过时间反向传播https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/bptt.html
9. 现代循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-modern/index.html
9.1. 门控循环单元（GRU）https://zh-v2.d2l.ai/chapter_recurrent-modern/gru.html
9.2. 长短期记忆网络（LSTM）https://zh-v2.d2l.ai/chapter_recurrent-modern/lstm.html
9.3. 深度循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-modern/deep-rnn.html
9.4. 双向循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-modern/bi-rnn.html
9.5. 机器翻译与数据集https://zh-v2.d2l.ai/chapter_recurrent-modern/machine-translation-and-dataset.html
9.6. 编码器-解码器架构https://zh-v2.d2l.ai/chapter_recurrent-modern/encoder-decoder.html
9.7. 序列到序列学习（seq2seq）https://zh-v2.d2l.ai/chapter_recurrent-modern/seq2seq.html
9.8. 束搜索https://zh-v2.d2l.ai/chapter_recurrent-modern/beam-search.html
10. 注意力机制https://zh-v2.d2l.ai/chapter_attention-mechanisms/index.html
10.1. 注意力提示https://zh-v2.d2l.ai/chapter_attention-mechanisms/attention-cues.html
10.2. 注意力汇聚：Nadaraya-Watson 核回归https://zh-v2.d2l.ai/chapter_attention-mechanisms/nadaraya-waston.html
10.3. 注意力评分函数https://zh-v2.d2l.ai/chapter_attention-mechanisms/attention-scoring-functions.html
10.4. Bahdanau 注意力https://zh-v2.d2l.ai/chapter_attention-mechanisms/bahdanau-attention.html
10.5. 多头注意力https://zh-v2.d2l.ai/chapter_attention-mechanisms/multihead-attention.html
10.6. 自注意力和位置编码https://zh-v2.d2l.ai/chapter_attention-mechanisms/self-attention-and-positional-encoding.html
10.7. Transformerhttps://zh-v2.d2l.ai/chapter_attention-mechanisms/transformer.html
11. 优化算法https://zh-v2.d2l.ai/chapter_optimization/index.html
11.1. 优化和深度学习https://zh-v2.d2l.ai/chapter_optimization/optimization-intro.html
11.2. 凸性https://zh-v2.d2l.ai/chapter_optimization/convexity.html
11.3. 梯度下降https://zh-v2.d2l.ai/chapter_optimization/gd.html
11.4. 随机梯度下降https://zh-v2.d2l.ai/chapter_optimization/sgd.html
11.5. 小批量随机梯度下降https://zh-v2.d2l.ai/chapter_optimization/minibatch-sgd.html
11.6. 动量法https://zh-v2.d2l.ai/chapter_optimization/momentum.html
11.7. AdaGrad算法https://zh-v2.d2l.ai/chapter_optimization/adagrad.html
11.8. RMSProp算法https://zh-v2.d2l.ai/chapter_optimization/rmsprop.html
11.9. Adadeltahttps://zh-v2.d2l.ai/chapter_optimization/adadelta.html
11.10. Adam算法https://zh-v2.d2l.ai/chapter_optimization/adam.html
11.11. 学习率调度器https://zh-v2.d2l.ai/chapter_optimization/lr-scheduler.html
12. 计算性能https://zh-v2.d2l.ai/chapter_computational-performance/index.html
12.1. 编译器和解释器https://zh-v2.d2l.ai/chapter_computational-performance/hybridize.html
12.2. 异步计算https://zh-v2.d2l.ai/chapter_computational-performance/async-computation.html
12.3. 自动并行https://zh-v2.d2l.ai/chapter_computational-performance/auto-parallelism.html
12.4. 硬件https://zh-v2.d2l.ai/chapter_computational-performance/hardware.html
12.5. 多GPU训练https://zh-v2.d2l.ai/chapter_computational-performance/multiple-gpus.html
12.6. 多GPU的简洁实现https://zh-v2.d2l.ai/chapter_computational-performance/multiple-gpus-concise.html
12.7. 参数服务器https://zh-v2.d2l.ai/chapter_computational-performance/parameterserver.html
13. 计算机视觉https://zh-v2.d2l.ai/chapter_computer-vision/index.html
13.1. 图像增广https://zh-v2.d2l.ai/chapter_computer-vision/image-augmentation.html
13.2. 微调https://zh-v2.d2l.ai/chapter_computer-vision/fine-tuning.html
13.3. 目标检测和边界框https://zh-v2.d2l.ai/chapter_computer-vision/bounding-box.html
13.4. 锚框https://zh-v2.d2l.ai/chapter_computer-vision/anchor.html
13.5. 多尺度目标检测https://zh-v2.d2l.ai/chapter_computer-vision/multiscale-object-detection.html
13.6. 目标检测数据集https://zh-v2.d2l.ai/chapter_computer-vision/object-detection-dataset.html
13.7. 单发多框检测（SSD）https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html
13.8. 区域卷积神经网络（R-CNN）系列https://zh-v2.d2l.ai/chapter_computer-vision/rcnn.html
13.9. 语义分割和数据集https://zh-v2.d2l.ai/chapter_computer-vision/semantic-segmentation-and-dataset.html
13.10. 转置卷积https://zh-v2.d2l.ai/chapter_computer-vision/transposed-conv.html
13.11. 全卷积网络https://zh-v2.d2l.ai/chapter_computer-vision/fcn.html
13.12. 风格迁移https://zh-v2.d2l.ai/chapter_computer-vision/neural-style.html
13.13. 实战 Kaggle 比赛：图像分类 (CIFAR-10)https://zh-v2.d2l.ai/chapter_computer-vision/kaggle-cifar10.html
13.14. 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）https://zh-v2.d2l.ai/chapter_computer-vision/kaggle-dog.html
14. 自然语言处理：预训练https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/index.html
14.1. 词嵌入（word2vec）https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/word2vec.html
14.2. 近似训练https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/approx-training.html
14.3. 用于预训练词嵌入的数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/word-embedding-dataset.html
14.4. 预训练word2vechttps://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/word2vec-pretraining.html
14.5. 全局向量的词嵌入（GloVe）https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/glove.html
14.6. 子词嵌入https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/subword-embedding.html
14.7. 词的相似性和类比任务https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/similarity-analogy.html
14.8. 来自Transformers的双向编码器表示（BERT）https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/bert.html
14.9. 用于预训练BERT的数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/bert-dataset.html
14.10. 预训练BERThttps://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/bert-pretraining.html
15. 自然语言处理：应用https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/index.html
15.1. 情感分析及数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/sentiment-analysis-and-dataset.html
15.2. 情感分析：使用循环神经网络https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/sentiment-analysis-rnn.html
15.3. 情感分析：使用卷积神经网络https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/sentiment-analysis-cnn.html
15.4. 自然语言推断与数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/natural-language-inference-and-dataset.html
15.5. 自然语言推断：使用注意力https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/natural-language-inference-attention.html
15.6. 针对序列级和词元级应用微调BERThttps://zh-v2.d2l.ai/chapter_natural-language-processing-applications/finetuning-bert.html
15.7. 自然语言推断：微调BERThttps://zh-v2.d2l.ai/chapter_natural-language-processing-applications/natural-language-inference-bert.html
16. 附录：深度学习工具https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/index.html
16.1. 使用Jupyter Notebookhttps://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/jupyter.html
16.2. 使用Amazon SageMakerhttps://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/sagemaker.html
16.3. 使用Amazon EC2实例https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/aws.html
16.4. 选择服务器和GPUhttps://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/selecting-servers-gpus.html
16.5. 为本书做贡献https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/contributing.html
16.6. d2l API 文档https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/d2l.html
参考文献https://zh-v2.d2l.ai/chapter_references/zreferences.html
https://zh-v2.d2l.ai/index.html
前言https://zh-v2.d2l.ai/chapter_preface/index.html
安装https://zh-v2.d2l.ai/chapter_installation/index.html
符号https://zh-v2.d2l.ai/chapter_notation/index.html
1. 引言https://zh-v2.d2l.ai/chapter_introduction/index.html
2. 预备知识https://zh-v2.d2l.ai/chapter_preliminaries/index.html
2.1. 数据操作https://zh-v2.d2l.ai/chapter_preliminaries/ndarray.html
2.2. 数据预处理https://zh-v2.d2l.ai/chapter_preliminaries/pandas.html
2.3. 线性代数https://zh-v2.d2l.ai/chapter_preliminaries/linear-algebra.html
2.4. 微积分https://zh-v2.d2l.ai/chapter_preliminaries/calculus.html
2.5. 自动微分https://zh-v2.d2l.ai/chapter_preliminaries/autograd.html
2.6. 概率https://zh-v2.d2l.ai/chapter_preliminaries/probability.html
2.7. 查阅文档https://zh-v2.d2l.ai/chapter_preliminaries/lookup-api.html
3. 线性神经网络https://zh-v2.d2l.ai/chapter_linear-networks/index.html
3.1. 线性回归https://zh-v2.d2l.ai/chapter_linear-networks/linear-regression.html
3.2. 线性回归的从零开始实现https://zh-v2.d2l.ai/chapter_linear-networks/linear-regression-scratch.html
3.3. 线性回归的简洁实现https://zh-v2.d2l.ai/chapter_linear-networks/linear-regression-concise.html
3.4. softmax回归https://zh-v2.d2l.ai/chapter_linear-networks/softmax-regression.html
3.5. 图像分类数据集https://zh-v2.d2l.ai/chapter_linear-networks/image-classification-dataset.html
3.6. softmax回归的从零开始实现https://zh-v2.d2l.ai/chapter_linear-networks/softmax-regression-scratch.html
3.7. softmax回归的简洁实现https://zh-v2.d2l.ai/chapter_linear-networks/softmax-regression-concise.html
4. 多层感知机https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/index.html
4.1. 多层感知机https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/mlp.html
4.2. 多层感知机的从零开始实现https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/mlp-scratch.html
4.3. 多层感知机的简洁实现https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/mlp-concise.html
4.4. 模型选择、欠拟合和过拟合https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/underfit-overfit.html
4.5. 权重衰减https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/weight-decay.html
4.6. 暂退法（Dropout）https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/dropout.html
4.7. 前向传播、反向传播和计算图https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/backprop.html
4.8. 数值稳定性和模型初始化https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/numerical-stability-and-init.html
4.9. 环境和分布偏移https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/environment.html
4.10. 实战Kaggle比赛：预测房价https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/kaggle-house-price.html
5. 深度学习计算https://zh-v2.d2l.ai/chapter_deep-learning-computation/index.html
5.1. 层和块https://zh-v2.d2l.ai/chapter_deep-learning-computation/model-construction.html
5.2. 参数管理https://zh-v2.d2l.ai/chapter_deep-learning-computation/parameters.html
5.3. 延后初始化https://zh-v2.d2l.ai/chapter_deep-learning-computation/deferred-init.html
5.4. 自定义层https://zh-v2.d2l.ai/chapter_deep-learning-computation/custom-layer.html
5.5. 读写文件https://zh-v2.d2l.ai/chapter_deep-learning-computation/read-write.html
5.6. GPUhttps://zh-v2.d2l.ai/chapter_deep-learning-computation/use-gpu.html
6. 卷积神经网络https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/index.html
6.1. 从全连接层到卷积https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/why-conv.html
6.2. 图像卷积https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/conv-layer.html
6.3. 填充和步幅https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/padding-and-strides.html
6.4. 多输入多输出通道https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/channels.html
6.5. 汇聚层https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/pooling.html
6.6. 卷积神经网络（LeNet）https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/lenet.html
7. 现代卷积神经网络https://zh-v2.d2l.ai/chapter_convolutional-modern/index.html
7.1. 深度卷积神经网络（AlexNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/alexnet.html
7.2. 使用块的网络（VGG）https://zh-v2.d2l.ai/chapter_convolutional-modern/vgg.html
7.3. 网络中的网络（NiN）https://zh-v2.d2l.ai/chapter_convolutional-modern/nin.html
7.4. 含并行连结的网络（GoogLeNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/googlenet.html
7.5. 批量规范化https://zh-v2.d2l.ai/chapter_convolutional-modern/batch-norm.html
7.6. 残差网络（ResNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/resnet.html
7.7. 稠密连接网络（DenseNet）https://zh-v2.d2l.ai/chapter_convolutional-modern/densenet.html
8. 循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/index.html
8.1. 序列模型https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/sequence.html
8.2. 文本预处理https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/text-preprocessing.html
8.3. 语言模型和数据集https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/language-models-and-dataset.html
8.4. 循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/rnn.html
8.5. 循环神经网络的从零开始实现https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/rnn-scratch.html
8.6. 循环神经网络的简洁实现https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/rnn-concise.html
8.7. 通过时间反向传播https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/bptt.html
9. 现代循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-modern/index.html
9.1. 门控循环单元（GRU）https://zh-v2.d2l.ai/chapter_recurrent-modern/gru.html
9.2. 长短期记忆网络（LSTM）https://zh-v2.d2l.ai/chapter_recurrent-modern/lstm.html
9.3. 深度循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-modern/deep-rnn.html
9.4. 双向循环神经网络https://zh-v2.d2l.ai/chapter_recurrent-modern/bi-rnn.html
9.5. 机器翻译与数据集https://zh-v2.d2l.ai/chapter_recurrent-modern/machine-translation-and-dataset.html
9.6. 编码器-解码器架构https://zh-v2.d2l.ai/chapter_recurrent-modern/encoder-decoder.html
9.7. 序列到序列学习（seq2seq）https://zh-v2.d2l.ai/chapter_recurrent-modern/seq2seq.html
9.8. 束搜索https://zh-v2.d2l.ai/chapter_recurrent-modern/beam-search.html
10. 注意力机制https://zh-v2.d2l.ai/chapter_attention-mechanisms/index.html
10.1. 注意力提示https://zh-v2.d2l.ai/chapter_attention-mechanisms/attention-cues.html
10.2. 注意力汇聚：Nadaraya-Watson 核回归https://zh-v2.d2l.ai/chapter_attention-mechanisms/nadaraya-waston.html
10.3. 注意力评分函数https://zh-v2.d2l.ai/chapter_attention-mechanisms/attention-scoring-functions.html
10.4. Bahdanau 注意力https://zh-v2.d2l.ai/chapter_attention-mechanisms/bahdanau-attention.html
10.5. 多头注意力https://zh-v2.d2l.ai/chapter_attention-mechanisms/multihead-attention.html
10.6. 自注意力和位置编码https://zh-v2.d2l.ai/chapter_attention-mechanisms/self-attention-and-positional-encoding.html
10.7. Transformerhttps://zh-v2.d2l.ai/chapter_attention-mechanisms/transformer.html
11. 优化算法https://zh-v2.d2l.ai/chapter_optimization/index.html
11.1. 优化和深度学习https://zh-v2.d2l.ai/chapter_optimization/optimization-intro.html
11.2. 凸性https://zh-v2.d2l.ai/chapter_optimization/convexity.html
11.3. 梯度下降https://zh-v2.d2l.ai/chapter_optimization/gd.html
11.4. 随机梯度下降https://zh-v2.d2l.ai/chapter_optimization/sgd.html
11.5. 小批量随机梯度下降https://zh-v2.d2l.ai/chapter_optimization/minibatch-sgd.html
11.6. 动量法https://zh-v2.d2l.ai/chapter_optimization/momentum.html
11.7. AdaGrad算法https://zh-v2.d2l.ai/chapter_optimization/adagrad.html
11.8. RMSProp算法https://zh-v2.d2l.ai/chapter_optimization/rmsprop.html
11.9. Adadeltahttps://zh-v2.d2l.ai/chapter_optimization/adadelta.html
11.10. Adam算法https://zh-v2.d2l.ai/chapter_optimization/adam.html
11.11. 学习率调度器https://zh-v2.d2l.ai/chapter_optimization/lr-scheduler.html
12. 计算性能https://zh-v2.d2l.ai/chapter_computational-performance/index.html
12.1. 编译器和解释器https://zh-v2.d2l.ai/chapter_computational-performance/hybridize.html
12.2. 异步计算https://zh-v2.d2l.ai/chapter_computational-performance/async-computation.html
12.3. 自动并行https://zh-v2.d2l.ai/chapter_computational-performance/auto-parallelism.html
12.4. 硬件https://zh-v2.d2l.ai/chapter_computational-performance/hardware.html
12.5. 多GPU训练https://zh-v2.d2l.ai/chapter_computational-performance/multiple-gpus.html
12.6. 多GPU的简洁实现https://zh-v2.d2l.ai/chapter_computational-performance/multiple-gpus-concise.html
12.7. 参数服务器https://zh-v2.d2l.ai/chapter_computational-performance/parameterserver.html
13. 计算机视觉https://zh-v2.d2l.ai/chapter_computer-vision/index.html
13.1. 图像增广https://zh-v2.d2l.ai/chapter_computer-vision/image-augmentation.html
13.2. 微调https://zh-v2.d2l.ai/chapter_computer-vision/fine-tuning.html
13.3. 目标检测和边界框https://zh-v2.d2l.ai/chapter_computer-vision/bounding-box.html
13.4. 锚框https://zh-v2.d2l.ai/chapter_computer-vision/anchor.html
13.5. 多尺度目标检测https://zh-v2.d2l.ai/chapter_computer-vision/multiscale-object-detection.html
13.6. 目标检测数据集https://zh-v2.d2l.ai/chapter_computer-vision/object-detection-dataset.html
13.7. 单发多框检测（SSD）https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html
13.8. 区域卷积神经网络（R-CNN）系列https://zh-v2.d2l.ai/chapter_computer-vision/rcnn.html
13.9. 语义分割和数据集https://zh-v2.d2l.ai/chapter_computer-vision/semantic-segmentation-and-dataset.html
13.10. 转置卷积https://zh-v2.d2l.ai/chapter_computer-vision/transposed-conv.html
13.11. 全卷积网络https://zh-v2.d2l.ai/chapter_computer-vision/fcn.html
13.12. 风格迁移https://zh-v2.d2l.ai/chapter_computer-vision/neural-style.html
13.13. 实战 Kaggle 比赛：图像分类 (CIFAR-10)https://zh-v2.d2l.ai/chapter_computer-vision/kaggle-cifar10.html
13.14. 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）https://zh-v2.d2l.ai/chapter_computer-vision/kaggle-dog.html
14. 自然语言处理：预训练https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/index.html
14.1. 词嵌入（word2vec）https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/word2vec.html
14.2. 近似训练https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/approx-training.html
14.3. 用于预训练词嵌入的数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/word-embedding-dataset.html
14.4. 预训练word2vechttps://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/word2vec-pretraining.html
14.5. 全局向量的词嵌入（GloVe）https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/glove.html
14.6. 子词嵌入https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/subword-embedding.html
14.7. 词的相似性和类比任务https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/similarity-analogy.html
14.8. 来自Transformers的双向编码器表示（BERT）https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/bert.html
14.9. 用于预训练BERT的数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/bert-dataset.html
14.10. 预训练BERThttps://zh-v2.d2l.ai/chapter_natural-language-processing-pretraining/bert-pretraining.html
15. 自然语言处理：应用https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/index.html
15.1. 情感分析及数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/sentiment-analysis-and-dataset.html
15.2. 情感分析：使用循环神经网络https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/sentiment-analysis-rnn.html
15.3. 情感分析：使用卷积神经网络https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/sentiment-analysis-cnn.html
15.4. 自然语言推断与数据集https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/natural-language-inference-and-dataset.html
15.5. 自然语言推断：使用注意力https://zh-v2.d2l.ai/chapter_natural-language-processing-applications/natural-language-inference-attention.html
15.6. 针对序列级和词元级应用微调BERThttps://zh-v2.d2l.ai/chapter_natural-language-processing-applications/finetuning-bert.html
15.7. 自然语言推断：微调BERThttps://zh-v2.d2l.ai/chapter_natural-language-processing-applications/natural-language-inference-bert.html
16. 附录：深度学习工具https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/index.html
16.1. 使用Jupyter Notebookhttps://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/jupyter.html
16.2. 使用Amazon SageMakerhttps://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/sagemaker.html
16.3. 使用Amazon EC2实例https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/aws.html
16.4. 选择服务器和GPUhttps://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/selecting-servers-gpus.html
16.5. 为本书做贡献https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/contributing.html
16.6. d2l API 文档https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/d2l.html
参考文献https://zh-v2.d2l.ai/chapter_references/zreferences.html
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#ssd
Colab [mxnet] https://colab.research.google.com/github/d2l-ai/d2l-zh-colab/blob/master/chapter_computer-vision/ssd.ipynb
Colab [pytorch] https://colab.research.google.com/github/d2l-ai/d2l-zh-pytorch-colab/blob/master/chapter_computer-vision/ssd.ipynb
Colab [tensorflow] https://colab.research.google.com/github/d2l-ai/d2l-zh-tensorflow-colab/blob/master/chapter_computer-vision/ssd.ipynb
Colab [paddle] https://colab.research.google.com/github/d2l-ai/d2l-zh-paddle-colab/blob/master/chapter_computer-vision/ssd.ipynb
SageMaker Studio Lab https://studiolab.sagemaker.aws/import/github/d2l-ai/d2l-pytorch-sagemaker-studio-lab/blob/main/GettingStarted-D2L.ipynb
13.3节https://zh-v2.d2l.ai/chapter_computer-vision/bounding-box.html#sec-bbox
13.6节https://zh-v2.d2l.ai/chapter_computer-vision/object-detection-dataset.html#sec-object-detection-dataset
Liu et al., 2016https://zh-v2.d2l.ai/chapter_references/zreferences.html#id98
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id2
图13.7.1https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#fig-ssd
Liu et al., 2016https://zh-v2.d2l.ai/chapter_references/zreferences.html#id98
13.5节https://zh-v2.d2l.ai/chapter_computer-vision/multiscale-object-detection.html#sec-multiscale-object-detection
图13.7.1https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#fig-ssd
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id19
图13.7.1https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#fig-ssd
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id4
7.3节https://zh-v2.d2l.ai/chapter_convolutional-modern/nin.html#sec-nin
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-1-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-1-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-1-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id5
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-3-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-3-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-3-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id6
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-5-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-5-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-5-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-7-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-7-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-7-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-9-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-9-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-9-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id7
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-11-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-11-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-11-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-13-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-13-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-13-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id8
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-15-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-15-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-15-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id9
图13.7.1https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#fig-ssd
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-17-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-17-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-17-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-19-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-19-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-19-2
图13.7.1https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#fig-ssd
13.4节https://zh-v2.d2l.ai/chapter_computer-vision/anchor.html#sec-anchor
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-21-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-21-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-21-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-23-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-23-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-23-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-25-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-25-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-25-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id10
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id11
13.6节https://zh-v2.d2l.ai/chapter_computer-vision/object-detection-dataset.html#sec-object-detection-dataset
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-27-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-27-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-27-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-29-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-29-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-29-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id12
3.1.3节https://zh-v2.d2l.ai/chapter_linear-networks/linear-regression.html#subsec-normal-distribution-and-squared-loss
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-31-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-31-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-31-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-33-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-33-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-33-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id13
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-35-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-35-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-35-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id14
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-37-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-37-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-37-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-39-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-39-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-39-2
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-41-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-41-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-41-2
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id15
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id16
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#equation-chapter-computer-vision-ssd-0
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-43-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-43-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-43-2
Lin et al., 2017https://zh-v2.d2l.ai/chapter_references/zreferences.html#id95
https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#equation-chapter-computer-vision-ssd-1
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-45-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-45-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-45-2
Liu et al., 2016https://zh-v2.d2l.ai/chapter_references/zreferences.html#id98
mxnethttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#mxnet-47-0
pytorchhttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#pytorch-47-1
paddlehttps://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#paddle-47-2
Discussionshttps://discuss.d2l.ai/t/3205
Discussionshttps://discuss.d2l.ai/t/3204
Discussionshttps://discuss.d2l.ai/t/11807
13.7. 单发多框检测（SSD）https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html
13.7.1. 模型https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id2
13.7.1.1. 类别预测层https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id4
13.7.1.2. 边界框预测层https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id5
13.7.1.3. 连结多尺度的预测https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id6
13.7.1.4. 高和宽减半块https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id7
13.7.1.5. 基本网络块https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id8
13.7.1.6. 完整的模型https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id9
13.7.2. 训练模型https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id10
13.7.2.1. 读取数据集和初始化https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id11
13.7.2.2. 定义损失函数和评价函数https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id12
13.7.2.3. 训练模型https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id13
13.7.3. 预测目标https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id14
13.7.4. 小结https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id15
13.7.5. 练习https://zh-v2.d2l.ai/chapter_computer-vision/ssd.html#id16
Previous 13.6. 目标检测数据集 https://zh-v2.d2l.ai/chapter_computer-vision/object-detection-dataset.html
Next 13.8. 区域卷积神经网络（R-CNN）系列 https://zh-v2.d2l.ai/chapter_computer-vision/rcnn.html

Viewport: width=device-width, initial-scale=1, shrink-to-fit=no

URLs of crawlers that visited me.