大海

原文地址：A ConvNet for the 2020s

官方实现：facebookresearch/ConvNeXt

原文地址：EfficientNetV2: Smaller Models and Faster Training

官方实现：google/automl

Pytorch实现：d-li14/efficientnetv2.pytorch

原文地址：RandAugment: Practical automated data augmentation with a reduced search space

官方实现：tensorflow/tpu

Pytorch实现：pytorch/vision

原文地址：Higher accuracy on vision models with EfficientNet-Lite

官方实现：EfficientNet-lite

原文地址：EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks

Pytorch实现：lukemelas/EfficientNet-PyTorch

集成地址：ZJCV/ZCls

原文地址：Model Rubik's Cube: Twisting Resolution, Depth and Width for TinyNets

官方实现：huawei-noah/CV-Backbones

模型能否作用于Open-set，是目标分类和度量学习的主要区别。

关于机器学习的评估指标，在之前的学习中已经涉及了很多，大体可分为混淆矩阵、ROC曲线和PR曲线，也记录下很多相关的内容。虽然记录下这么多内容，但是大都是知其然不知所以然的状况，在实际分类算法的实践中，往往只是将准确率作为评判标准，这也可能是因为公开数据集大都是类别均衡的缘故吧。

最近涉及到度量学习领域，在完成模型计算后，很重要的一步就是对特征向量进行相似度分类，选取合适的分类阈值就很有必要。如何设置有效的分类阈值，关键在于如何对算法进行评判和分析。这个过程中重新对于混淆矩阵、ROC曲线和PR曲线进行了分析和思考。

在重新复习相关文档的过程中，还发现了有些基础概念理解错了（囧。。。）。这篇文章系统性的整理相关的概念，并且通过scikit库进行相应的实验。

注：仅涉及二分类实现，后续再扩展到多分类

相关实现位于：zjykzj/scikit-learn

相关实现：

• KevinMusgrave/pytorch-metric-learning
• CoinCheung/pytorch-loss

这一段时间的状态特别不好，尝试了好多种方式，但是对于算法的核心指标一直没有提升，心里很憋屈，不知道什么时候是个头。