摘要：
1、R-CNN回顾 适应全卷积化CNN结构，提出全卷积化设计 共享ResNet的所有卷积层 引入变换敏感性（Translation variance） 位置敏感分值图（Position-sensitive score maps） 特殊设计的卷积层 Grid位置信息+类别分值 位置敏感池化（Posit 阅读全文
摘要：
1、目标检测 检测图片中所有物体的 类别标签 位置（最小外接矩形/Bounding box） 区域卷积神经网络R-CNN 模块进化史 2、区域卷积神经网络R-CNN Region proposals+手工特征+分类器 R-CNN模块划分 模块1：Selective Search(SS)获取区域 ~2 阅读全文
摘要：
1、偏差与方差 偏差：预测值的期望与真实值之间的差距，偏差越大，越偏离真实数据集。 方差：预测值的变化范围，离散程度，方差越大，预测结果数据的分布越散。 获得更多的训练实例——解决高方差 增加正则化程度λ————解决高方差 减少特征数量————解决高方差 增加特征数量————解决高偏差 增加多项式特 阅读全文
摘要：
本文参考https://www.zhihu.com/question/39022858/answer/203073911 1、计算机如何识别图 每个图像都是一系列特定排序的点（像素），通过改变像素值的大小或顺序来改变图像。 2、如何帮助神经网络识别图像 使用一个权重乘以初始像素值，识别出【4】就变得 阅读全文
摘要：
1、优化卷积核技术 在实际的卷积训练中，为了加快速度，常常把卷积核裁开。比如一个3x3的卷积核，可以裁成一个3x1和1x3的卷积核(通过矩阵乘法得知)，分别对原有输入做卷积运算，这样可以大大提升运算的速度。 原理：在浮点运算中乘法消耗的资源比较多，我们目的就是尽量减少乘法运算。 比如对一个5x2的原 阅读全文
摘要：
损失函数用于描述模型预测值与真实值的差距大小，一般有两种比较常见的算法——均值平方差（MSE）和交叉熵。 1、均值平方差（MSE）：指参数估计值与参数真实值之差平方的期望值。 在神经网络计算时，预测值要与真实值控制在同样的数据分布内，假设将预测值经过Sigmoid激活函数得到取值范围在0~1之间，那 阅读全文
摘要：
基本使用 使用图（graph）来表示计算任务 激活会话（Session）执行图 使用张量（tensor）表示数据 定义变量（Variable） 使用feed可以任意赋值或者从中获取数据，通常与占位符一起使用 1、综述 Tensorflow是一个开源框架，使用图来表示计算任务，图中的节点被称作op(o 阅读全文
摘要：
Tensorflow开发的基本步骤： 定义Tensorflow输入节点 2.通过字典类型定义： 3. 直接定义输入节点： 定义“学习参数”的变量 定义“运算” 优化函数，优化目标 初始化所有变量 迭代更新参数到最优解 测试模型 使用模型 2、模型保存与载入 模型保存： 模型载入： 检查点（Check 阅读全文
摘要：
1、什么是过拟合？ 过拟合是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。 2、过拟合带来什么问题？ 最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。 3、过拟合产生的原因？ 在对模型进行训练时，有可能遇到训练 阅读全文
摘要：
收集数据——》准备数据——》分析数据——》训练算法——》测试算法——》使用算法 K-近邻算法： （1）计算已知类别数据集中的点与当前点之间的距离 （2）按照距离递增次序排序 （3）选取与当前点距离最小的k个点 （4）确定前K个点所在类别的出现频率 （5）返回前K个点出现频率最高的类别作为当前点的预测 阅读全文