深度学习是什么？几种神经卷积网络

opencv3与tensorflow的关系，各有什么有优缺点？

OpenCV是计算机视觉库，Tensorflow是深度学习框架。OpenCV包含了大量的图像处理和计算机视觉的算法，但是在机器学习方面明显不足，ML模块只有SVM，MLP，kNN等有限的几种算法。dnn模块也是调用别的框架。Tensorflow是专为深度学习而生，可以方便的实现各种深度学习算法。二者不属于同一领域，做视觉用OpenCV，做深度学习用Tensorflow。或者二者结合做图像识别等等。

---

人工智能：让机器具备人的思维和意识
人工智能三学派：
行为主义：基于控制论，构建感知-动作控制系统（如平衡、行走、避障等）
符号主义：基于算数逻辑表达式，求解问题时先把问题描述为表达式，在再求解表达式。
链接主义：仿生学，模仿神经元连接关系。（模仿神经元链接，如感性思维）

• 用计算机仿出神经元链接关系，让计算机具有感性思维
  准备数据：采集大量（特征，标签）构成数据集
  搭建网络：搭建神经结构网络
  优化参数：训练网络获取最佳参数（反传）
  应用网络：将网络保存为模型，输入新数据，输出分类或预测结果（前传）
  通过前项传播输出概率值，概率值最大的一个就是分类和预测的结果

---

基于计算机视觉的人机交互一般可分为四个部分：

1. 有没有人；

2. 人在哪；

3. 这个人是谁；

4. 这个人在做什么；

解决的问题

目标检测 ：图片中找到目标的位置，一般输出目标的位置信息

语义分割 ：图片中找到目标的位置，一般输出目标的具体形状掩码

人脸识别 ：识别出人脸的具体类别（身份、性别年龄等属性）

人体骨骼关键点检测 ： 定位人在图像中的位置、人体各个关键点的位置

动作识别 ： 检测出图像中的人在哪里，在做什么

行人重识别 ： 以人的身体属性识别出人的身份，不需要高的分辨率

步态识别 ：以人的身体轮廓信息识别出人的身份，不需要高的分辨率

---

Tensorflow
张量（Tensor）：多维数组（列表） 阶：张量的维数

数据类型

• tf.int , tf.float tf.int 32, tf.float 32, tf.float 64
• tf.bool tf.constant([True,False])
• tf.string tf.constant(“Hellow,world!”)

创建Tensor

• tf.zeros(维度) #创建全为0的张量
• tf.ones(维度) #创建全为1的张量
• tf.fill(维度,指定值) #创建全为指定值的张量

维度
一维 直接写个数
二维 用[行，列]
多维 用[n,m,j,k]

• 生成正态分布随机数，默认均值为0，标准差为1

 tf.random.normal(维度，mean=均值，stddev=标准差）

• 生成截断式正态分布的随机数

 tf.random.truncated_normal(维度，mean=均值，stddev=标准差）

• 生成均匀分布随机数 [minval，maxval]

tf.random.uniform{维度，minval=最小值，maxval=最大值)

• 强制tensor转换为该数据类型

tf.cast(张量名，dtype=数据类型)

• 计算张量维度上元素的最小值

tf.reduce_min(张量名)

• 计算张量维度上元素的最大值

tf.reduce_max (张量名)

• 计算张量沿着制定维度的平均值

tf.reduce_mean(张量名，axis=操作值）

• 计算张量沿着指定维度的和

tf.reduce_sum(张量名，axis=操作值）

axis =0 沿纵轴方向 =1沿横轴方向

• tf.Variable(初始值)
  将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。神经网络训练中，常用该函数标记待训练参数。
• 对应元素四则运算：tf.add, tf.subtract, tf.multipy, tf.divide
• 平方、次方与开方：tf.square, tf.pow, tf.sqrt
• 矩阵乘： tf.matmaul
• 切分传入张量的第一维度，生成输入特征/标签对，构建数据集data=tf.data.Dataset.from_tensor_slices((输入特征，标签))
• with结构记录算过程，gradient求出张量的梯度

with tf.GradientTape() as tape:
grad=tape.gradient(函数，对谁求导）

• 将代转换数据转换为one-hot形式的数据输出

tf.one-hot(待转换数据，depth=几分类）

• 先用tf.Variable(）定义变量为可训练

w.assign_sub(w要自减内容）

1. 返回张量沿指定维度最大值的索引
   tf.argmax(张量名，axis=操作轴）

---

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习的代表算法之一 。

梯度消失：loss回传时由于网络层数过多而逐渐变小，无法更新前项网络。

常用符号：

池化

神经卷积网络


优势：AlexNet能够处理非常相似的基本构造模块，这些单元往往包含大量的隐藏单元和数据；
使用了Relu激活函数