深度学习知识点5

1.有监督学习的相关方法？无监督学习的相关方法？

有监督学习是机器学习的一个方法，可以由训练资料中学到或建立一个模式，并以此推测新的实例，训练资料由输入物件（向量）和预期输出组成。函数的输出值可以是一个连续的值（回归），或者是一个预测分类标签（分类）

常用的有监督方法：人工神经网络、支持向量机（SVM）、KNN（最近邻）、高斯混合模型、朴素贝叶斯、决策树、随机森林

无监督学习目的是去对原始资料进行分类，以便了解资料内部结构，无监督学习并不知道分类结果是否正确，其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。

最典型的聚类算法，聚类的目的在于把相似的东西聚在一起，而并不关心这一类是什么，一个聚类算法通常只需要知道如何计算相似度就可以开始工作。

2.概率分布方式？

数据类型有离散数据类型和连续数据类型，根绝数据类型的不同，概率分布分为离散概率分布和连续概率分布。

3种离散概率分布：二项分布、泊松分布、几何分布

二项分布：

特点：1、做某件事情的次数是固定的，用n表示，2、每一次事件都有两个可能的结果，3、每一次成功的概率都是相等的，成功概率用p表示，4、感兴趣的是成功x次的概率

几何分布：需要知道尝试多少次能取得第一次成功的概率

特点：1、做某事件次数是固定的，用n表示，2、每一次事件都有两个可能的结果，3、每一次成功的概率都是相等的，成功的概率用p表示，4、进行x次尝试这个事情，取得第一次成功的概率有多大。

泊松分布：某个时间范围内，发生某件事情x次的概率是多大。如一天内中间的次数。

特点：1、时间是独立事件，2、在任意相同时间范围内，时间发生的概率相同，3、你想知道某个时间范围内，发生某件事情x次的概率有多大。

连续概率分布：正态分布

3.单阶段和双阶段目标检测？

4.1×1卷积核和全连接层的关系？

当输入的特征图的尺寸是1×1时，数学原理上没有区别，假设输入为c×1×1，输出为n×1×1，全连接层可以认为是一个c维的向量和n×c大小的矩阵相乘。卷积层可以理解为n个c×1×1的卷积核，分别与输入做内积，跟计算矩阵向量乘没有区别。

但是当输入为c×w×h时，卷积层和全连接层的输出尺寸就不一样了，1×1的卷积输出为n×w×h，全连接层的输出是n×1×1，此时全连接层可以等价于n个c×w×h的卷积核的卷积层。

全连接层和卷积层最大的区别在于输入尺寸是否可以改变，全连接层的输入尺寸是固定的，卷积层的输入尺寸是任意的。

对于分类问题，使用1×1卷积替代全连接层是没有什么区别的。对于图像分割问题全连接层就没法使用了，可以使用卷积层进行运算。

全连接是把特征图拆开组成一个一维向量，再乘以一个权重向量，这两个向量中的元素一一对应所以输出结果是一个值。而1*1卷积，我们知道卷积核实质上就是权重，1*1的卷积核那就是表明只由一个权重组成，如果特征图尺寸也是1*1的话，那输出就是一个值，此时与全连接完全一样。但是如果特征图尺寸不是1*1，而是w*h的话，那么1*1的卷积输出就不是一个值而是w*h的一个矩阵

5.RetineNet有了解吗？