学无止境、积少成多、厚积薄发

答卷积神经网络中，第一次给卷积核的值就是随机的，前向传播过程中，神经网络会得出loss，一般第一次随机给的数得到的loss都比较高，然后神经网络根据误差反算更新卷积核的数，然后再次前向。问请问卷积核（滤波器）3。11都是具体什么数？......

1、一个500毫升的容器和一个300毫升的容器，怎样才能量出400毫升水？（容器上没有刻度）解答： 先用300毫升容器量300毫升的水，然后倒入500毫升容器中，然后再用300毫升容器量300毫升水，然后将500毫升容器装满，这时300毫升容器中还有100毫升的水，这时可以将500毫升容器中的水全部倒出，再将300毫升容器中剩余的100毫升水倒入500毫升的容器中，然后再用300毫升的容器量取300毫升的水倒入500毫升的容器中，这时500毫升的容器中剩余的就是400毫升的水。还有一些类似的题目：用一个

废话不多说，直接上demo。s1 = "2021.12.2415:28:00"t1 = list(s1)t1.insert(1,'e') # 1的位置插入'e's1_new = ''.join(t1) # 连接起来print(s1_new)'2e021.12.2415:28:00's2 = "2021.12.2415:28:00"t2 = list(s2)t2.insert(10,' ') # 10的位置插入' '空格s2_new = ''.join(t2) # 连接起来pri

Talk is cheap, show me code.str.split(delim=None, maxsplit=-1)s1 = "你好,我是cs,请问你在家吗？"# 以,逗号【英文逗号】分割s1字符串s1_new = s1.split(',')print(s1_new )['你好', '我是cs', '请问你在家吗？']# 以,逗号【英文逗号】分割s1字符串 只分割一次s2_new = s1.split(',',1)print(s2_new )['你好', '我是cs,请问你

微信公众号：AIexplore

几何失真和光度失真是两种最常用的数据增强方法。对于几何失真，可以对图像进行随机缩放，裁剪，翻转，旋转等。此外，还有一种数据增强方法是模拟遮挡，即用一个物体覆盖另一个物体的一部分。对于光度失真，可以调整图像的亮度，色度，对比度，饱和度，以及加入噪点；参考https://blog.csdn.net/hxxjxw/article/details/117604723...

1、PIL.Image转换成opencv格式：import cv2from PIL import Imageimport numpy as np image = Image.open("car.jpg")# image.show()img = cv2.cvtColor(np.asarray(image),cv2.COLOR_RGB2BGR)# cv2.imshow("image",img)# cv2.waitKey()2、opencv转换成PIL.Image格式：import cv2

DenseNet和Inception中更多采用的是concatenate操作，而ResNet更多采用的add操作。concatenate为横向或纵向空间上的叠加，而add为简单的像素叠加。参考：https://blog.csdn.net/qq_32256033/article/details/89516738https://blog.csdn.net/weixin_39610043/article/details/87103358https://blog.csdn.net/u012193416/a

https://www.cnblogs.com/gcgc/p/11343919.htmlhttps://www.cnblogs.com/wemo/p/10393774.html

在VGG中，使用了3个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5*5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。比如，3个步长为1的3x3卷积核的一层层叠加作用可看成一个大小为7的感受野（其实就表示3个3x3连续卷积相当于一个7x7卷积），其参数总量为 3x(9xC^2) ，如果直接使用7x7卷积核，其参数总量为 49xC^2 ，这里 C 指的是输入和输出的通道数。很明显，27xC2小于49xC2，即减少了参数；而且3x3

参考https://blog.csdn.net/ytusdc/article/details/107864527https://www.zhihu.com/question/356551927/answer/926659692https://zhuanlan.zhihu.com/p/76710711

paper地址：https://arxiv.org/abs/1911.09070官方代码：https://github.com/google/automl一系列大佬复现：https://paperswithcode.com/paper/efficientdet-scalable-and-efficient-object

当我们需要关闭终端，后台训练模型时：nohup python train.py & # 后台运行，直到训练结束实时查看：tail -f nohup.out查看python进程ps -ef|grep pythonkill -9 id # 杀死进程killall -9 python # 杀死所有python进程参考https://blog.csdn.net/xuqimm/article/details/78092002...

1. 图像分类（image classification）图像分类就是识别图像中存在的内容，对图像判断出所属的分类。如下图，有人（person）、树（tree）、草地（grass）、天空（sky），只知道有没有这一类东西就行。2. 目标检测（object detection）识别图像中存在的内容和检测其位置，如下图，以识别和检测人（person）为例。可以分开不同的人并给出位置，但不能给出准确的与之对应的像素，也不用检测处图像中所有的类型。3. 语义分割（semantic segmentati

1. 随机森林的概念Q：什么是随机森林？A：随机森林是一个包含多个决策树的分类器，由很多决策树构成，不同的决策树之间没有关联。当我们进行分类任务时，森林中的每一棵决策树都会分别对样本进行判断和分类，每个决策树会得到一个自己的分类结果，决策树的分类结果中哪一个分类最多，那么随机森林就会把这个结果当做最终的结果。 （即，少树服从多树）。看起来是不是很简单呢？但是这里有一个问题，那就是随机森林中有多个决策树，那么，我们如何用已有的数据集去构建这么多的决策树呢？首先，要明白，决策树是不同的，那么训练决策树所

剪枝有两种方案：预剪枝（prepruning）后剪枝（post-pruning）7.1. 预剪枝（prepruning）预剪枝是指在决策树生成过程中，对每个结点在划分前先进行估计，若当前结点的划分不能带来决策树泛化性能提升，则停止划分并将当前结点标记为叶结点。用通俗的话来说，就是如果进行划分能够带来更好的结果就进行划分，否则不进行划分。首先，我们定义一个训练集和一个验证集如下：（西瓜书中间的例子）上面一部分是训练集，下面一部分是测试集。然后让我们来对训练集（记住是训练集）进行划分，划分的规

YOLOv4实战尝鲜 — 教你从零开始训练自己的数据集（安全头盔佩戴识别检测）https://blog.csdn.net/c2250645962/article/details/106064832

论文理解：https://blog.csdn.net/u014380165/article/details/90812249https://zhuanlan.zhihu.com/p/96773680

论文理解：https://zhuanlan.zhihu.com/p/65459972/

论文翻译：https://www.cnblogs.com/xuanxufeng/p/6249834.html论文解读：https://zhuanlan.zhihu.com/p/32037333

k-means算法是无监督学习算法（非监督学习算法）。1.聚类聚类分析是没有划分类别的情况下，根据样本相似度进行样本分组的一种方法分监督学习算法。聚类的输入是一组未被标记的样本，聚类根据自身的距离或者相似度划分为若干组，划分的原则是组内距离最小化，而组间距离最大化。2.k-meansk-means算法是一种简单的迭代型聚类算法，采用距离作为相似性指标，从而发现给定数据集中k个类，且每个类的...

论文翻译：inception v1-论文翻译论文总结https://zhuanlan.zhihu.com/p/73857137面试总结https://www.cnblogs.com/itmorn/p/11230388.htmlv1到v4总结https://www.cnblogs.com/dengshunge/p/10808191.html

论文翻译：https://www.jianshu.com/p/ea922866e3behttps://github.com/SnailTyan/deep-learning-papers-translationhttps://zhuanlan.zhihu.com/p/80087776卷积计算总结CNN卷积的计算以AlexNet为例https://www.jianshu.com/p/3d3a653b14fa

论文翻译：https://zhuanlan.zhihu.com/p/31647627

旨在打造全网最详细、最系统的图像分类教程，希望各位朋友多多支持，感谢订阅！

今天在看Resnet论文的时候，看到Table 2 里有10-crop testing，因为不懂，所以查找资料。现对其进行总结：1-crop和10-crop顾名思义就是进行1次和10次裁剪。举个例子输入图像是256×256的，网络训练所需图像是224×224的。1-corp是从256×256图像中间位置裁一个224×224的图像进行训练，而10-corp是先从中间裁一个224×224的图像，然后从图像左上角开始，横着数224个像素，竖着数224个像素开始裁剪，同样的方法在右上，左下，右下各裁剪一次。

写的比较好的文章https://zhuanlan.zhihu.com/p/42410305https://zhuanlan.zhihu.com/p/268308900https://zhuanlan.zhihu.com/p/28124810

论文翻译vgg如果上述链接失效，在这里寻找http://noahsnail.com论文总结：https://my.oschina.net/u/876354/blog/1634322https://www.cnblogs.com/itmorn/p/11217196.html

1. 决策树介绍决策树【Decision Tree，DT】是一类较为常见的「机器学习」方法，DT既可以作为分类算法，也可以作为回归算法。举个分类的例子：在相亲的时候，找对象的顺序应该是：Q：性别要求？A：不是女的不要。Q：年龄要求？A：大于我5岁的不要。Q：专业要求？A：非计算机专业的不要？…为了更好的表示上面的这些问题，我们将其画成一张树状图：上面的这棵树就是我们找对象的决策过程，圆角矩形代表了判断条件，椭圆代表了决策结果。通过性别、年龄和专业这几个属性，最终，得出最后的决策。

1. 什么是dropout 【随机失活】dropout是2012年深度学习视觉领域的开山之作paper：《ImageNet Classification with Deep Convolutional》【Alexnet】所提到的算法，用于防止过拟合。基本思想：dropout是指在深度学习网络训练的过程中，对于神经网络单元，按照一定的概率p将其暂时从网络中丢弃，对于随机梯度下降算法来说，由于是随机丢弃，所以每个mini-batch都在训练不同的网络。注：dropout效果跟bagging效果类似（

进程是CPU及内存中运行的程序代码，而每个进程可以创建一个或者多个进程（父子进程）。查看进程的方法：第1种：ps auxps命令用于报告当前系统的进程状态。可以搭配kill指令随时中断、删除不必要的程序。ps命令是最基本同时也是非常强大的进程查看命令，使用该命令可以确定有哪些进程正在运行和运行的状态、进程是否结束、进程有没有僵死、哪些进程占用了过多的资源等等，总之大部分信息都是可以通过执行该命令得到的。a： 显示当前终端下的所有进程信息，包括其他用户的进程。u： 使用以用户为主的格式输出进

最近在为找工作备战，看了很多博客，总结机器学习中一些基础的知识。什么是数据的标准化和归一化？在CSDN和知乎上有很多大佬做出了回答，看了有的人的回答，感觉会把自己气晕，完全是浪费时间并且误人子弟。...

1. list（列表）list是一种有序的集合，可以随时对集合进行添加、删除和插入操作。1.1. list中的元素，索引从0开始，0为第一个元素，当索引超出范围（本例索引大于5时，总共有6个元素，索引为0,1,2,3,4,5）会报错，索引不能越界，最后一个元素的索引是len(num)-11.2. 如果要取最后一个元素，除了计算索引位置，还可以用-1做索引直接取到最后一个元素（倒数第一）当然，取倒数第二个和倒数第三个索引分别为-2，-3，以此类推1.3. 使用append()可以在lis

Low-level feature： 通常是指图像中的一些小的细节信息，例如边缘（edge),角(corner),颜色(color),像素(pixeles), 梯度(gradients)等，这些信息可以通过滤波器、SIFT或HOG获取；==High level feature：==是建立在low level feature之上的，可以用于图像中目标或物体形状的识别和检测，具有更丰富的语义信息。通常卷积神经网络中都会使用这两种类型的features: 卷积神经网络的前几层学习low level featu

粗粒度图像分类：类别之间差异大，比如人、汽车、树细粒度图像分类：类别之间差异小，比如200种鸟的分类、100种花的分类由于细粒度类别属于同一个大类，所以各类别之间的差距很小，这些细微的差距容易被光照、颜色、背景、形状和位置等变化因素覆盖，导致细粒度图像分类相对困难。参考：http://www.cjig.cn/html/jig/2016/9/20160904.htm参考论文链接...

一、介绍贝叶斯定理是英国数学家托马斯·贝叶斯提出的，为了解决一个“逆概率”问题。贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。贝叶斯算法和决策树、SVM 一样，是分类算法。用来衡量标签和特征之间的概率关系，属于有监督学习算法。因为贝叶斯是基于概率论的算法，了解算法之前，需要了解概率论的几个概念：联合概率：A事件和B事件同时发生的概率，P(AB)或者P(A,B)、P(A∩B)条件概率：P(B|A):

第一次接触这个概念是在总结LR和SVM之间的区别的时候，LR是参数模型，SVM是非参数模型。今天来总结一下参数模型和非参数模型。一、前言参数模型(parametric model)和非参数模型(non-parametric model)作为数理统计学中的概念，现在也常用于机器学习领域。在统计学中，参数模型通常假设总体(样本、数据、随机变量)服从某个分布，这个分布可以由一些参数确定，如正态分布由均值(0)和方差(1)[此时，标准差也为1]确定，在此基础上构建的模型称为参数模型；非参数模型对于总体的数

参考https://mp.weixin.qq.com/s/ZaJLftMDnOG4TGmkQ8Hjgwhttps://mp.weixin.qq.com/s/zc8Qk0FCSOJvX2QvfsK8kghttps://mp.weixin.qq.com/s/I6xbn8gy0e8yA0pwu4SlMwhttps://mp.weixin.qq.com/s/WUeAaXKjiPXnhTHhC2eBSQ

Q：什么是分类器？A：就是用来把输入的数据进行分类的模型（本质上是函数）。图1，黑色的曲线就是非线性分类器。以曲线的形式分类了红点和蓝点。图2，黑色的直线就是线性分类器。以直线的形式分类红点和蓝点。一、线性分类器以上图的二分类（红点和蓝点）为例：线性分类器就是用一个“超平面”将两个样本隔离开，如：（1）二维平面上的两个样本用一条直线来进行分类；（2）三维立体空间内的两个样本用一个平面来进行分类(如下图)；（3）N维空间内的两个样本用一个超平面来进行分类。常见的线性分类器有：LR，贝叶

注意力机制（Attention Mechanism）是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一、注意力机制为什么有必要存在？我们不难发现，注意力这个词本来是属于人类才有的动作。也就是说，注意力机制可以看做是一种仿生，是机器通过对人类阅读、听说中的注意力行为进行模拟。那为何要对注意力进行仿生呢？按理说，计算机理应拥有无限的记忆力和注意力，这不是一件好事么？为什么我们特意对计算机进行“劣化”来模拟这一项机制呢？这是因为，人脑在进行阅读任