深度学习很好的资料

博客

全面教程:

从机器学习谈起 - 计算机的潜意识 - 博客园 (cnblogs.com)https://www.cnblogs.com/subconscious/p/4107357.html

(66条消息) 神经网络——最易懂最清晰的一篇文章_illikang的博客-CSDN博客https://blog.csdn.net/illikang/article/details/82019945?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167964187916800213073890%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=167964187916800213073890&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~hot_rank-3-82019945-null-null.142%5Ev76%5Einsert_down1,201%5Ev4%5Eadd_ask,239%5Ev2%5Einsert_chatgpt&utm_term=%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%AE%97%E6%B3%95&spm=1018.2226.3001.4449(69条消息) 【神经网络算法入门】详细推导全连接神经网络算法及反向传播算法+Python实现代码_一个误差反向传播的全连接神经网络_小吹的博客-CSDN博客https://blog.csdn.net/cuiyuan605/article/details/84307323

(69条消息) CNN发展史+论文+代码_cnn论文_小吹的博客-CSDN博客https://blog.csdn.net/cuiyuan605/article/details/90264475

补充小知识点:

逻辑回归、边界决策、损失函数

逻辑回归（Logistic Regression）（一） - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/28408516

视频

3Blue1Brown的个人空间_哔哩哔哩_bilibilihttps://space.bilibili.com/88461692/channel/seriesdetail?sid=1528929

模型评价:PR曲线-AP值、mAP

True positives (TP,真正): 预测为正,实际为正-----------------------检测目标
True negatives (TN,真负): 预测为负,实际为负---------------------非检测目标
False positives(FP,假正): 预测为正,实际为负----------------------误检
False negatives(FN,假负): 预测为负,实际为正---------------------漏检
准确率Accuracy=(检测目标+非检测目标)/(检测目标+非检测目标+误检+漏检)
精度Pecision=检测目标/检测目标+误检
召回率Recall=检测目标/检测目标+漏检 

模型精度，召回率值无法往往不能直观反应模型性能，因此就有了PR曲线-AP值

PR曲线就是Precision和Recall的曲线，我们以Precision作为纵坐标，Recall为横坐标，可绘制PR曲线如下图3-3所示：

评估标准：如果模型的精度越高，且召回率越高，那么模型的性能自然也就越好，反映在PR曲线上就是PR曲线下面的面积越大，模型性能越好。我们将PR曲线下的面积定义为AP(Average Precision)值，反映在AP值上就是AP值越大，说明模型的平均准确率越高。

Mean Average Precision(mAP)是平均精度均值，具体指的是不同召回率下的精度均值。在目标检测中，一个模型通常会检测很多种物体，那么每一类都能绘制一个PR曲线，进而计算出一个AP值，而多个类别的AP值的平均就是mAP。

评估标准：mAP衡量的是模型在所有类别上的好坏，属于目标检测中一个最为重要的指标，一般看论文或者评估一个目标检测模型，都会看这个值，这个值(0-1范围区间)越大越好。

划重点！！！
一般来说mAP是针对整个数据集而言的，AP则针对数据集中某一个类别而言的，而percision和recall针对单张图片某一类别的。