1月13日csdn笔记

位段：

位段可以节省空间

位段所执行的大小不能大于这个变量类型本身的大小，不然就会报错。

位段的声明和结构是类似的，有两个不同：

1. 位段的成员必须是整形家族的类型
2. 位段的成员名后面有一个冒号和一个数字。

struct A
{
	int _n : 2;
	int _b : 5;
	int _c : 10;
	int _d : 30;
};

位段所占空间不是简单加和

 _n,_b,_c,_d这四个变量的大小加在一起，一共是47个比特位，那就是需要6个字节的大小。

而事实上，struct A的大小为8个字节

#include <stdio.h>
struct A
{
	int _n : 2;
	int _b : 5;
	int _c : 10;
	int _d : 30;
};
int main()
{
	printf("%d\n", sizeof(struct A));
	return 0;
}

http://t.csdnimg.cn/RreTc原文链接

【C进阶】C程序是怎么运作的呢？-- 程序环境和预处理

太牛了，我看不懂http://t.csdnimg.cn/KFbtK自行跳转

深度学习入门——深度卷积神经网络模型

深度学习与传统模式识别方法的最大不同在于它是从大数据中自动学习特征，而非采用手工设计的特征，而好的特征可以极大提高模式识别系统的性能。在计算机视觉领域中，深度卷积神经网络成为了研究的热点，其在图像分类、目标检测和图像分割等计算机视觉任务中都起到了至关重要的作用。

最开始用人工神经网络模拟人的神经系统的结构和功能

人工神经网络是一种运算模型，它由大量的人工神经元(也称为节点)相互连接组成，每两个相互连接的神经元都代表对通过的信号加权值。前向神经网络为一种简单的人工神经网络模型，包括输入层、隐藏层和输出层，输入层有一层，输出层有一层，隐藏层有多层，每层都有数个节点，每层之间的节点没有连接，层与层之间节点的关系靠权重来衡量。前向神经网络也可称为全连接层，它的网络结构较单个神经元更复杂，但是输出仍然满足输入与权重相乘再过激活函数的关系。

人工神经网络的输出受很多方面的影响，如网络结构、输入 、权重 和激活函数等。神经网络构建完成，其网络结构、激活函数就固定了，若要改变输出就要改变权重 ，因此，神经网络的训练过程就是不断优化参数 的过程。训练包括两个过程：前向传播和反向传播。首先，构建神经网络并输入被训练的数据，神经网络计算输出结果，这就是前向传播；然后，计算输出结果和输入数据的真实标签之间的差值(即损失函数)，网络根据这个差值来更新参数 的值，这是反向传播。神经网络的训练过程就是循环进行前向传播和反向传播，对每个神经元进行权重参数的调整、非线性关系的拟合，最终得到比较好的模型精度。

模型拟合程度的好坏与激活函数有很大的关系。神经网络激活函数的作用是对输入信号进行非线性计算，并将其输出传递给下一个节点。常见的激活函数有三种：Sigmoid激活函数、Tanh激活函数、ReLU激活函数。Sigmoid激活函数如图2-2所示，输入较大或较小时，函数的梯度很小，由于在反向传播算法中使用链式求导法则计算参数的梯度，当模型使用Sigmoid函数时，容易产生梯度消失的问题。Tanh函数与Sigmoid函数比较相似，输入较大或者较小时函数梯度较小，容易产生梯度消失的问题，不利于权重的更新。ReLU函数有更多的优势：输入为正数时，梯度恒定，不会为零；计算速度快。但它也有致命的缺点：输入为负时，梯度完全消失，所以激活函数的使用需要根据实际需求来确定。
原文链接：https://blog.csdn.net/qq_44918501/article/details/130270044

2.2 卷积神经网络（Convolutional Neural Networks，CNNs）
卷积神经网络是人工神经网络的一种改进，增加了卷积层(Convolutional Layer)和池化层(Pooling Layer)，卷积神经网络的训练过程与人工神经网络相同，包含前向传播和反向传播。下面详细介绍卷积层和池化层。

(1) 卷积层

卷积神经网络是一种权值共享网络，相比于普通的神经网络，其模型复杂度降低，参数量大大减少，这得益于卷积的两个重要特征：局部感受野和参数共享(Parameter Sharing)。

传统的神经网络每个输入神经元与输出神经元是全连接的，每个输入神经元和输出神经元之间由一个参数来描述。而卷积神经网络的卷积核滤波器尺寸远远小于输入大小，其连接是稀疏的。图像的局部像素联系比较紧密，相隔较远的像素相关性较弱，神经元没有必要对全局图像进行感知，只需要对局部图像进行感知，在高层将局部信息结合得到全局信息。使用卷积核处理一幅图像，检测到局部有意义的特征，与卷积核大小相同的空间上的连接范围被称为感受野(receptive field)，卷积层的层数越高，感受野越大，感受野对应的原始图像区域越大。局部感受野大大减少了参数量，下面举例说明。若输入图像大小为1000 1000，隐藏层神经元个数为100万，如果它们全连接，则有1000 1000 =1000000=个连接，有个参数；若卷积核大小为10 10，那么局部感受野大小为10 10，隐藏层的每个神经元只需和10 10大小的区域相连接，共有10 10 1000000=个连接，即有个参数。

上例中，利用局部感受野大大减少了参数量，但数量仍然很庞大。每个神经元都连接10 10大小的图像区域，故每个神经元都有10 10=100个参数，若令每个神经元的参数都相同，即每个神经元都用同一个卷积核去卷积，那么共只需要100个参数，这就是参数共享。但是一种卷积核只能提取一种特征，故卷积时使用多个卷积核，每个卷积核滤波器的参数不同，表示提取输入图像的不同特征。有几个卷积核，就能提取出几种特征，将这些特征排列起来，组成特征图(feature map)。局部感受野和参数共享大大减少了模型参数量，节省了内存空间的同时模型的性能也不会下降。

(2)池化层

图2-5  最大池化示意图

池化层也称为下采样(downsampling)层，一般来说，池化对每个特征图操作，目的是减小特征图的大小。池化分为最大池化(Max Pooling)和平均池化(Average Pooling)两种，图2-5所示为最大池化，池化核大小为22，步长为22，通俗来讲最大池化操作是找到22池化核与某一深度特征图的重合部分，然后取重合区域最大值，得到下采样值。按步长移动池化核位置，得到输出特征图。平均池化的操作与最大池化类似，不同的是取重合区域像素点的平均值。

2.3深度卷积神经网络的优化
为了达到更好地性能，卷积神经网络的层数越来越深，深度卷积神经网络的层数越深，需要学习的参数越多，网络越难优化。若没有良好的优化方法，会出现过拟合或者欠拟合的问题。

过拟合即模型的泛化能力差，在训练集上拟合性好，但是在验证集上拟合性不好。通俗地讲，就是模型对训练数据的学习太强了，模型能很好地识别训练集中的图像，非训练集的图像却识别不出。原因有二，一是训练集的数据太少，二是训练迭代次数太多。缓解过拟合的方法主要有四种，如下：

(1) early stopping。每次迭代(epoch)结束后，计算验证集的错误率(validation error)，如果错误率不再下降，则终止训练。这是一种及时止损的方法，模型的泛化能力不再提高，继续训练也是浪费时间。但只依据一次迭代后的错误率是不科学的，因为本次迭代之后的错误率有可能上升，也有可能下降。因此，可以依据10次、20次等多次迭代后的验证集错误率来判断是否终止训练。

(2)数据集扩增。这是减轻过拟合最直接有效的方法。没有质量好、数量多的数据，就无法训练出好的模型。可以从两个方面进行数据集的扩增：从源头上增加数据，比如图像分类时，直接增加训练集的图像，但是此方法实行起来困难大，因为不知道增加多少数据；将原始数据做改动，从而获得更多的数据，比如将原始图片旋转、在原始数据中加噪声、截取原始数据的一部分等。

(3)正则化。正则化包括L0正则化、L1正则化和L2正则化，机器学习中常用的是L2正则化。L2正则项起到使参数 变小加剧的效果，更小的参数 意味着模型的复杂度更低，从而模型对训练数据的拟合刚刚好，以提高模型的泛化能力。

(4)drop out。dropout作为模型融合的一种，使神经元以一定的概率不工作，有效地降低了测试误差。给定一个输入，网络便采样出不同的结构，这些结构共享一套参数。由于一个神经元不依赖某些特定的神经元，dropout降低了神经元间复杂的共适性，增强了网络的鲁棒性。

模型在训练集上拟合性不好，在验证集上拟合性好，这是欠拟合。究其原因，欠拟合就是模型对训练数据的学习还不够，特征学习不充分，表征能力差。可以通过下面的方法缓解欠拟合：

(1)添加其他的特征项。特征项不够就会导致欠拟合。特征项不够导致的欠拟合就可以通过添加特征项很好地解决。增加特征项的手段有组合、泛化、相关性等，这些手段在很多场景都适用。

(2)添加多项式特征。比如在一个线性模型里添加二次项或者三次项，这样就增强了模型的泛化能力。
原文链接：https://blog.csdn.net/qq_44918501/article/details/130270044

一样劝退我，大家看看得了；

水平太差，开摆了，做网站去了。