一、前言

    偶然在飞桨公众号"飞桨PaddlePaddle"上看见一个21天零基础深度学习带学的消息，抱着试一试的心态报了名，其实并没报太大期望（OS：之前也报过其他的 "××吧"、"***线"等课程，还是付费的，虽然钱不多，但是讲的真是一般，也没学到啥），AIStudio也许是yiyang。

    进群了解到居然要每天打卡做作业，一度想放弃。刚好赶上最近找房子搬家，不过我也没想到到现在还在坚持每天打卡学习（不想成为优秀工程师的程序猿不是个好咸鱼@_@）。

二、学习心得

    之前并没接触过飞桨，从预习作业开始，安装paddlepaddle-gpu，也算是“零基础”

       之前也看过一些深度学习资料和教程，这个算是有点基础，但当"毕然"老师带着计算梯度反向传播时，才有了深刻的理解。配上作业的图例，对链式法则 乘加运算 梯度求导 学习率 有了更清晰的认识。

       通过numpy实现和飞桨实现的房价预测对比，初步认识到飞桨的便捷。结合minist cifar10等随堂练习和打卡作业，对分类任务有了更深一层的领悟。通过不同optimizer act loss 的尝试，发现我不是一个合格的”调参师“，要学的还很多！

##

由此可见，均方误差表现的“圆滑”的坡度有两个好处：

• 曲线的最低点是可导的。
• 越接近最低点，曲线的坡度逐渐放缓，有助于通过当前的梯度来判断接近最低点的程度（是否逐渐减少步长，以免错过最低点）。

而这两个特性绝对值误差是不具备的，这也是损失函数的设计不仅仅要考虑“合理性”，还要追求“易解性”的原因。

##

        好吧！作业做错了！

        课程深入，计算机视觉基础知识没什么问题，但是对几种分类网络，虽然都跑了一遍，其实理解并不深，很多网络层设计并不明白其奥妙，也看了一些其他讲解，只能说是人云亦云！

         对于目标检测，对YOLO SSD fasterRCNN也看过一些讲解，本次课程条理清晰，跟着视频，听老师的讲解，收获良多。也尝试做调试，反复看了多次YOLO视频，后续答疑课的fasterRCNN串讲没听明白，好吧！道阻且长！

NUM_ANCHORS = 3
NUM_CLASSES = 7
num_filters=NUM_ANCHORS * (NUM_CLASSES + 5)
with fluid.dygraph.guard():
    backbone = DarkNet53_conv_body(is_test=False)
    detection = YoloDetectionBlock(ch_in=1024, ch_out=512, is_test=False)
    conv2d_pred = Conv2D(num_channels=1024, num_filters=num_filters,  filter_size=1)
    
    x = to_variable(img)
    C0, C1, C2 = backbone(x)
    route, tip = detection(C0)
    P0 = conv2d_pred(tip)
    # anchors包含了预先设定好的锚框尺寸
    anchors = [116, 90, 156, 198, 373, 326]
    # downsample是特征图P0的步幅
    pred_boxes = get_yolo_box_xxyy(P0.numpy(), anchors, num_classes=7, downsample=32)
    iou_above_thresh_indices = get_iou_above_thresh_inds(pred_boxes, gt_boxes, iou_threshold=0.7)
    label_objectness = label_objectness_ignore(label_objectness, iou_above_thresh_indices)
    
    label_objectness = to_variable(label_objectness)
    label_location = to_variable(label_location)
    label_classification = to_variable(label_classification)
    scales = to_variable(scale_location)
    label_objectness.stop_gradient=True
    label_location.stop_gradient=True
    label_classification.stop_gradient=True
    scales.stop_gradient=True
    
    total_loss = get_loss(P0, label_objectness, label_location, label_classification, scales,
                              num_anchors=NUM_ANCHORS, num_classes=NUM_CLASSES)
    total_loss_data = total_loss.numpy()
    print(total_loss_data)

     以前重来没考虑过 "scales" 对小目标以及得分较高目标的作用，这次课学到了，虽然还不知道怎么用、@……@

三、小结

    很少写博客，好吧！很少写文档总结，现在发现写的时候学习的过程在脑海里回档，以后尽量多总结！

    课程过半，每天坚持打卡学习，最初几天会觉得不习惯甚至想放弃，现在会觉得期待，每次学习，有期待有收获！

    感谢飞桨团队各位老师！昨晚看了”芮芮“的直播，立个flag: 努力！奋斗！参加下一期的论文复现营！