1.PyTorch

1.1 Conv2d

实现2d卷积操作

1.2 dataset，dataloader

分别负责可被Pytorhc使用的数据集的创建以及向训练传递数据的任务。如果想个性化自己的数据集或者数据传递方式，也可以自己重写子类。Dataset是DataLoader实例化的一个参数

torch.utils.data.Dataset 是一个表示数据集的抽象类。任何自定义的数据集都需要继承这个类并覆写相关方法。
可以通过继承后重写Init，getitem等方法自定义

DataLoader是Pytorch中用来处理模型输入数据的一个工具类。组合了数据集（dataset） + 采样器(sampler)，并在数据集上提供单线程或多线程(num_workers )的可迭代对象。

参数：
dataset (Dataset) – 决定数据从哪读取或者从何读取；
batch_size (python:int, optional) – 批尺寸(每次训练样本个数,默认为１）
shuffle (bool, optional) –每一个 epoch是否为乱序 (default: False).
num_workers (python:int, optional) – 是否多进程读取数据（默认为０);
drop_last (bool, optional) – 当样本数不能被batchsize整除时，最后一批数据是否舍弃（default: False)
pin_memory（bool, optional) - 如果为True会将数据放置到GPU上去（默认为false）

1.3 训练pipeline

1.4 梯度归零

为什么每一轮batch需要设置optimizer.zero_grad：
根据pytorch中的backward()函数的计算，当网络参量进行反馈时，梯度是被积累的而不是被替换掉；但是在每一个batch时毫无疑问并不需要将两个batch的梯度混合起来累积，因此这里就需要每个batch设置一遍zero_grad 了。

1.5 torch保存模型种类及区别

2.目标检测

2.1 yolo3,4,5,7区别

yolov4/yolov5

2.2 yolo使用的loss(ciou,BCE等等)

ciou

考虑两个框中心点的距离及两个框最小外包对角线距离
相比于IOU的优点：
1.IOU没有考虑到两个框之间的位置信息，如果两个框没有重叠，它的IOU=0，没法进行反向传播。
2.还有一点，就是为什么之前的所有目标检测的网络中没有用iou直接作为损失函数。就是因为对于大小不同的框，iou值相同，但是其重叠程度却不同（说白了，就是对尺度不敏感）。在ciou中，由于有v这个概念，所以就使这种情况不可能再出现（个人理解，不对还请指正）。

BCEloss

BCE/CE
CE用于多分类
BCE用于二分
多分类也可以叠加多个BCE
BCE主要适用于二分类的任务，而且多标签分类任务可以简单地理解为多个二元分类任务叠加。所以BCE经过简单修改也可以适用于多标签分类任务。使用BCE之前，需要将输出变量量化在[0，1]之间（可以使用Sigmoid激活函数）。上边我们也深度刨析了Sigmoid和Softmax两种激活函数，探究其统计学本质，Sigmoid的输出为伯努利分布，也就是我们常说的二项分布；而Softmax的输出表示为多项式分布。所以Sigmoid通常用于二分类，Softmax用于多类别分类。

L1,L2,CE,BCE

L1,L2,CE,BCE loss

2.3 图像增强

yolov3:
1.Mosaic（马赛克）
2.随机旋转、平移、缩放、错切、hsv增强

yolov5:
1.Mosaic数据增强
2.Copy paste数据增强
3.Random affine仿射变换
4.MixUp数据增强
5.HSV随机增强图像
6随机水平翻转

2.4 IOU计算公式

# xmin ymin xmax ymax
def iou(box1, box2):
    # 1.interarea
    # 2.box1 area
    # 3.box2 area
    # 4.interarea / (box1area + box2area - interarea)

    x1 = max(box1[0],box2[0])
    y1 = max(box1[1],box2[1])
    x2 = min(box1[2],box2[2])
    y2 = min(box1[3],box2[3])

    interarea   = max(0, x2-x1) * max(0, y2-y1)
    box1area    = (box1[2] - box1[0]) * (box1[3] - box1[1])
    box2area    = (box2[2] - box2[0]) * (box2[3] - box2[1])
    iou         = interarea / (box1area + box2area - interarea)

    print(iou)

3.深度学习基础

3.1 卷积公式

4.TensorRT

5. python

6. c++