u011070767的专栏

1、将损失和循环次数画出来，有利于debug2、调超参的时候，可以先设置较大步数，然后找一个表现比较好的小区间，这样一步步进行，区间越来越窄，最后选出表现最好的参数，而且我们一般使用随机数来从区间中选取超参数来验证，而不是按确定的步长去参数。3、训练的时候可以先训练一小部分数据来验证模型有没有异常，确认你可以对这小部分数据过拟合即对这小部分数据的预测达到100%准确，这样的话就验证了我们的反向传播...

一、模型1、一般结构：    full connection - BN - activation - … - full connection - loss function    其中activation一般是非线性函数，可以让神经网络直逼任何函数    BN是为了防止过拟合，以及梯度消失和爆炸的问题2、相关代码：full connection        def affine_forward(...

卷积层每个滤波器作用得到激活图，激活图 中白色表示响应强烈的部分，黑色表示响应弱的部分只有原图尺寸减去滤波器尺寸得到值N，N可整除的步长stride才是有效的步长如果滤波器尺寸为F*F, stride为1，那么如果在输入图补(F - 1) / 2 圈0值像素，得到的激活图可以和输入图尺寸不变滤波器的数目K一般是2的指数，因为当这个值是2的指数的时候有些库会使用特殊的计算方式，计算效率会大大提高之所...

R-CNN进化过程：R-CNN > Fast R-CNN >  Faster R-CNNR-CNN对每个推荐区域进行卷积，而Fast R-CNN对整个输入图片进行卷积，使用区域推荐网络替代之前的区域推荐方法找出候选框（可能含有物体的框），这些框可以互相重叠互相包含的，这样我们就可以避免暴力枚举所有框了，然后对于这些候选框，进行类型识别Faster R-CNN：加入一个提取边缘的神经网络...

1、sess.run(tf.global_variables_initializer())  作用是初始化模型的参数，具体如下：tf.global_variables_initializer()里面调用了global_variables()返回一个variable list，然后再调用variable_initializer() 将variable list里面每个元素的initializer属性...

一、全局阈值：为整个图片指定一个阈值，函数为cv2.threshold(src, thresh, maxval, type, dst=None)src: 原图(灰图)thresh: 阈值maxval: 给#THRESH_BINARY and #THRESH_BINARY_INV模式使用的最大值type：二值化的类型cv2.THRESH_BINARY           超过阈值部分取maxval（...

一、stack()例子如下：import numpy as np a = [1,2,3] b = [4,5,6] np.stack((a,b),axis=0) >>> array([[1, 2, 3],       [4, 5, 6]]) np.stack((a,b),axis=1) >>> array([[1, 4],       [2, 5],       ...