huhu1456的博客

原创 鸢尾花分类详解（机器学习，最简单的神经网络）

因为输入层设置的是112行4列（划分了112个训练集，4列是4个特征），然后隐藏层就应为112*12的矩阵（12个神经元），所以w1因该为4*12的矩阵，又因为输出层为112*3，故w2设为12*3的矩阵。梯度下降法：可以看作是对一个一次函数进行预测，我们首先设置随机的直线，要无限逼近真实的直线，要么就是要不断微调随机直线的斜率，即y=wx+b, 我们要求出w，也就是求斜率，求斜率那么就要求导。以及将最后的输出处理一下，因为a22为一个2维矩阵，要和0，1，2进行对比。多分类任务可以使用多次二分类。

原创 解决No variants found for ‘:app‘. Check build files to ensure at least one variant exists.

然后是buildToolsVersion，buildToolsVersion版本要比compileSdkVersion高才可以，自己要下载的版本，我这里因为compileSdkVersion是33，所以buildToolsVersion下载使用的是34。这里面的compileSdkVersion 是要和自己的sdk版本一致，也就是要和API level一致。最后sync 一下就成功了，可能还会提示你需要NDK的包，也在sdk tools里下载就行了。

原创 html标签

原创 学习mask rcnn，day7（maskrcnn框架）

然后再经过PROPOSAL层精确特征框。最后经过DETECTION层进行筛选。

原创 学习mask rcnn，day6（Detection Target层）

transposed_masks = tf.expand_dims(tf.transpose(gt_masks, [2, 0, 1]), -1) #把重合度最大的那个拿到手。5.每一个正样本（ROI），需要得到其类别，用IOU最大的那个GT（即某个候选框与多个候选框重合，那就选重合度最大的那个）；3.判断正负样本，（即看候选框和其他候选框重合比例，大于阈值0.5的视为正样本，重合度小的视为负样本）；7.每一个正样本（ROI），需要得到与其最接近的GT-BOX对应的MASK；

原创 学习mask rcnn，day5（proposal层）

2.对rpn层得到的每个候选框的回归值取6000个得分最高的。1.对20w+个候选框进行过滤，按照前景的得分进行排序。

原创 学习mask rcnn，day5（rpn层）

首先对特征图进行3*3的卷积得到256个通道的特征图，然后将得到的新的特征图进行1*1的卷积，分别给cls分类层以及reg回归层。分类层目的是对特征框进行打分分类，区分哪些是背景，哪些是要识别的物体；回归层目的是精确特征框中心点位置以及长宽的比例；这里面的k是指锚点的数量，即特征点的数量。

原创 学习mask rcnn，day4（fpn层与特征提取框）

【代码】学习mask rcnn，day4。

原创 学习mask rcnn，day3（残差网络）

就是说下一层是由上一层加上残差块形成的，也就是说下一层看到的是上一层的信息加上（上一层经过一些变化后的信息）的和，所以是没有什么损耗的。将卷积提取特征的图和（原本的图采样后）进行特征融合。因为卷积后图尺寸大小变化了，所以要进行采样（上采样：放大图片，下采样：缩小图片）

原创 学习rcnn。day2

将每个特征矩阵缩放到7*7大小的特征图，然后把特征图展评，再放到全连接层得到预测结果；将图像输入网络得到相应的特征图，将ss算法生成的候选框投射到特征图上得到特征矩阵；对每个候选区域，使用深度网络提取特征；一张图像生成1k-2k个候选区域；一张图像生成1k-2k个候选区域；特征送到svm分类器，进行判断；使用回归器精确候选框位置；

原创 学习rcnn，day1

fully connected layer:全连接层：将提取好的像素值排成一列，再去乘上设置的权重值，然后就拿去判断到底是什么；Convolutional Neural Networks（第一个成功将深度学习应用到目标检测上的算法）relus：激活函数：将图像矩阵中的负数变为0，加强特征；卷积：提取图片特征数据；池化：缩小图片尺寸；

原创 记录解决The kernel has died, and the automatic restart has failed.

我当初勾选了按照Python3.6安装，但是我配置的环境却是其他版本，果然我重新安装了一遍，保证安装的Python版本和虚拟环境Python版本一致后，就没有问题了。