搞定了yolo，终于可以学习点新的东西了。今天就学习一波胶囊网络中的EM路由。 先推荐一个课程资料，杜克大学的统计学课程，从python讲到c++，从矩阵计算讲到概率统计，从jit讲到cuda编程。看看人家本科生学的东西。。。

终于把yolo v3框架写好了。支持多模型、多数据集、任意输出层数量、任意anchor数量、模型剪枝还适配k210.不要太好用～

这里记录一下我之前的实现的问题出在哪里。

我的yolo3模型在k210里面输出结果完全不对，所以我十分怀疑是量化出了问题，但是我又找不到问题。还好昨天case小姐姐帮忙更新了nncase，可以在pc上推理kmdoel.然后我推理了几个图像，这次就是记录一下这个脚本，免得下次要用找不到了。。。

在上次的文章中我写了如何自定义loss，但是我真正想要的使用的场景比那些还要复杂一些。

使用tensorflow.keras的时候，tf.dataset在执行model.fit的时候报错：

ValueError: Cannot take the length of shape with unknown rank.

这里大概率是因为tf.dataset中使用了tf.py_function导致无法自动推导出张 良的形状，所以需要自己手动设置形状。

自从看了苏剑林的博客之后,我对keras是越来越喜欢了,但是我更喜欢在tensorflow中使用keras,今天就来看看如何在tf.keras中自定义多输出模型的loss,并且搭配高效的tf.dataset.

NOTE: tensorflow==2.0.0b0

今天想把两个不同的形状的数组进行赋值,因为数组形状是动态的,所以要想一个办法进行动态的范围切片.

本篇文章是对Large Margin Softmax loss,Angular Margin to Softmax Loss,Additive Margin Softmax Loss的学习记录。公式我尽量按照原文来写，并加入一点注释。

tensorflow和keras的结合太好了，今天训练模型超级慢，我准备使用tensorflow中的timeline来进行分析，一番寻找发现根本不需要以前那么麻烦。

最近看了苏剑林的几篇博客， 我忽然对keras不是那么抵触了,才发现之前认为Keras使用不灵活完全是因为的认识不够深入。所以我准备使用Tensorflow 2.0中的tf.Keras来 构建Yolo v3，在tensorflow中我们可以更加灵活的优化我们的数据输入管道，这次介绍一下多输入的model如何结合tf.data，基础的使用方式在这里学习。