愉快的李长安

受量子物理中波粒二象性的启发，以及最近 复现的八度卷积的设计思想启发，在本项目中设计了DWT-CNN，将神经网络的输入进行信号分解，分别送入网络的不同分支，最后通过一个全连接层进行分类。

考虑了CNN网络的各个结构，认为卷积层本身是具有平移不变性的，而池化层破坏了平移不变性。作者认为可以借鉴信号处理中反锯齿算法的设计，即在信号下采样之前进行低通滤波（也就是图像模糊）

半精度（也被称为FP16）对比高精度的FP32与FP64降低了神经网络的显存占用，使得我们可以训练部署更大的网络，并且FP16在数据转换时比FP32或者FP64更节省时间。

PyConv和PyHGConv。PyConv中使用相对较小的分组数，包括16，8，4，2。PyHGConv使用较大的分组数，包括32和64。

本次教程将带领大家完整的走一遍比赛流程。经过前面一系列教程，相信大家对飞桨已经熟悉了，但是我们不能一直纸上谈兵，所以本次就带领大家完成一个实际的比赛项目。

本文介绍如何在在三大系统（Windows、Linux、MacOS）中使用OpenVINO部署飞桨模型。以10种猴子的分类为例，训练出飞桨模型，再使用OpenVINO对飞桨模型进行部署。

基于Densenet&Xception融合的102种鲜花识别，这个融合模型是我在打比赛的时候随手搞出来的。 这个数据集实际上没有难度，类间分布较为均匀，属于典型的细粒度分类问题。

最近在回顾之前学到的知识，看到了数据增强部分，对于CutMix以及Mixup这两种数据增强方式发现理解不是很到位，所以这里写了一个项目再去好好看这两种数据增强方式。

在该论文中，作者提出了一种新型的Transformer模块，称为多轴自注意力（multi-axis self-attention, Max-SA）