猪的饲养员

摘要： 如果很简单的程序，建议还是pirnt打出来。 对于Linux环境，使用pdb/ipdb是一个不错的选择。 安装ipdb 开启调试 1. 手动在需要调试的地方写入set_trace() 2.使用命令启动 功能简介 断点 设置 b lineNumber 查看 b 删除 cl [breakpoint Nu 阅读全文

摘要： "参考" 入坑SLAM，前段时间在做相机标定，最近又用到了卡尔曼滤波器，不查不知道，原来这个玩意这么厉害，火箭都是靠它上天的！ 阿波罗登月是"划着洗衣盆飘过大西洋"，那么这套估计理论大概就相当于洗衣盆上的那个舵手了。现在在航天领域，卡尔曼滤波是一种殿堂级的理论。 我没有学过控制类相关课程，临时抱佛脚 阅读全文

摘要： 在卷积神经网络尚未火热的年代，人们使用haar/lbp + adaboost级连的组合方式检测人脸，hog+svm的组合方式检测行人。这种传统的目标检测方法一个认知上的优势就是: 模块的功能明确，划分得很清晰，符合人们的理解方式。其中，haar，lbp，hog等手工设计的特征提取算子用于提取特征，a 阅读全文

摘要： 什么是1X1卷积 1 1的卷积就是对上一层的多个feature channels线性叠加，channel加权平均。 只不过这个组合系数恰好可以看成是一个1 1的卷积。这种表示的好处是，完全可以回到模型中其他常见N N的框架下，不用定义新的层。 比如上一层通过100个卷积核得到了 W H 100的数据 阅读全文

摘要： 在正负样本都非常之少的情况下，应该采用数据合成的方式； 在负样本足够多，正样本非常之少且比例及其悬殊的情况下，应该考虑一分类方法； 在正负样本都足够多且比例不是特别悬殊的情况下，应该考虑采样或者加权的方法。 采样和加权在数学上是等价的，但实际应用中效果却有差别。尤其是采样了诸如Random Fore 阅读全文

摘要： SGD Momentum RMSprop Adam SGD $g_t=\nabla_{\theta_{t 1}}{f(\theta_{t 1})}$ $\Delta{\theta_t}= \eta g_t$ 其中，$\eta$是学习率，$g_t$是梯度 SGD完全依赖于当前batch的梯度，所以$\ 阅读全文

摘要： 1. 通过深层神经网络首先会选取一些边缘信息（卷积中的核只有3X3 5X5非常小），总之是一些边角之类的低层信息(边缘信息是为了将要观察的事物与周围环境分割开来) 2. 随着网络深度的增加，卷积核的有效感受野越来越大，也就意味着高层的卷积核能够覆盖更大尺度上的特征 例如CNN CNN就是尺度上不断降 阅读全文

摘要： 为什么要有激活函数？ 作用是能够给神经网络加入一些非线性因素。若没有激活函数，那多个神经元，多层网络其实都能归结到一层来做，公式符号都能够直接化简乘$Wx$。加入了激活函数之后，深度神经网络具备了分层的非线性映射学习能力。 特性 可微性： 当优化方法是基于梯度的时候，这个性质是必须的。 单调性： 当 阅读全文

摘要： 上采样/下采样 缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。 放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示 阅读全文

摘要： 什么是偏差/方差？ 偏差(bias) 度量了学习算法的期望预测与真实结果的偏离程序, 即 刻画了学习算法本身的拟合能力 方差(varience) 度量了同样大小的训练集的变动所导致的学习性能的变化, 即 刻画了数据扰动所造成的影响 . 准 ：bias描述的是根据样本拟合出的模型的输出预测结果的期望与 阅读全文