深度学习
往往需要与大数据结合在一起。
人脸识别:(单摄像头的人脸识别是基于LBPH,容易突破)
- 结构光(苹果专利,保留了距离信息)
- TOF深度感应
大部分传统机器学习的算法都可以用深度学习来拟合。
softmax公式:
s o f t m a x = e θ j x ∑ j e θ j x softmax = \frac{e^{\theta_jx}}{\displaystyle \sum_j e^{\theta_jx}} softmax=j∑eθjxeθjx
贝叶斯公式
P ( A ∣ B ) = P ( A B ) P ( B ) = P ( B ∣ A ) P ( A ) P ( B ) = P ( B ∣ A ) P ( A ) ∑ i P ( B ∣ A i ) P ( A i ) P(A|B) = \frac { P(AB)}{P(B)} = \frac {P(B|A) P(A)}{P(B)} = \frac {P(B|A) P(A)}{ \sum_i {P(B|A_i) P(A_i)}} P(A∣B)=P(B)P(AB)=P(B)P(B∣A)P(A)=∑iP(B∣Ai)P(Ai)P(B∣A)P(A)
超几何分布概率公式
p = ( k D ) ( n − k N − D ) / ( n N ) p = (^D_k) (^{N - D}_{n - k})/(^N_n) p=(kD)(n−kN−D)/(nN)
信息熵公式(均匀分布时,信息熵最大;模棱两可时,最难揣测)
H ( P ) = − ∑ i P i l o g ( P i ) H(P) = - \sum_i P_i log (P_i) H(P)=−i∑Pilog(Pi)
相对熵(KL散度)公式
K L ( p ( x ) ∣ ∣ q ( x ) ) = ∑ i p i ( x ) p i ( x ) q i ( x ) KL(p(x) || q(x)) = \sum_i p_i(x) \frac{p_i(x)}{q_i(x)} KL(p(x)∣∣q(x))=i∑pi(x)qi(x)pi(x)
交叉熵公式
c r o s s = − ∑ i p i ( x ) l o g ( q i ( x ) ) cross = - \sum_i p_i (x) log (q_i (x)) cross=−i∑