weixin_45586836的博客

1、原型聚类1.1 K-means聚类算法 核心思想：在所有的训练样本当中，随机的选择K个样本作为初始化的聚类中心，之后计算其他样本到这K个聚类中心的距离，根据距离的远近分成K个簇，离哪一个聚类中心近就属于哪一类，由此就得到了K个簇。之后计算K个簇的中心点，如果K个簇的中心点都不发生更新，那么聚类结束。如果有聚类中心发生了更新，那么就由新的聚类中心替代旧的聚类中心，然后重新计算距离，不断迭代，直到聚类中心不再发生改变为止1.2 LVQ学习向量量化 核心思想：首先训...

1、逻辑回归（1）原理分析 核心思想：将线性模型的输出映射到0-1之间，通过阈值判断，进行二分类 模型： 损失函数：最大似然2、K-近邻算法（KNN）（1）原理分析 核心思想：已知训练集中的数据集以及类别，当遇到一个新样本进来之后，计算该样本与训练集中各个样本之间的距离，选择距离最近的K个样本，统计这K个样本中出现次数最...

1、线性回归分类：一元线性回归、多元线性回归优缺点分析： 优点：模型简单、运算量小，即使数据量很大，仍然可以快速得到结果 模型的参数就是特征的权重，具有很好的解释性 缺点：对异常值敏感 当数据没有明显的线性关系时，效果很差原理分析： 主要思想：用一条直线或者一个平面去拟合所有的数据，使得真实值与预测值之间产生的误差（距离）最小 模型： ...

一、创建数据集        通常我们文件的存储格式，都会按照VOC数据集的那种格式，如下：        其中的JPEGImages文件夹用来存放图片，Annotations文件夹用来存放标注文件，图片的文件名和标注文件的文件名是一样的，ImageSets中的Main文件夹用来存放训练集、测试集的文件名。下面就介绍如何产生标注文件，通过使用L

        下面将对YOLOv3的网络架构进行详细的解析，通过使用tensorflow2.0来搭建整个YOLOv3的网络，为了看的更加清楚，这里并没有使用函数，而是一步一步的构建，对照着YOLOv3网络架构的图片，可以更加清楚的看清整个YOLOv3的网络。        DarkNet-53：    

        YOLOv4的主要思想与YOLOv3基本上是一致的，只是在YOLOv3的基础上加了一些改进，目前YOLOv4的检测效果非常的好。        主要的几点改进：        1、主干特征提取网络的改进：由DarkNet53改进成CSPDarkNet5

        YOLOv3是YOLO目标检测算法的一个重要版本，它的主要思想是将目标检测问题处理成回归问题，并将图像分为S×S的网格。如果一个目标的中心落入某个格子中，那么该格子就负责检测该目标。1、网络结构        YOLO系列都是采用DarkNet网络结构作为主干特征提取的网络框架，YOLOv3采用的是DarkNet-53：&nb

        YOLOv1虽然检测速度很快，但是它的检测精度却不如R-CNN系列(个人觉得主要的原因就是没有使用anchor机制，而是直接预测，导致收敛比较困难)。YOLOv1在物体定位方面不够准确，并且召回率较低。因此YOLOv2提出了几种改进策略，来提升YOLO模型的定位准确率和召回率。1、批归一化        Batch Normali

        YOLO系列的目标检测算法相较于R-CNN系列的目标检测算法，最明显的优势就是检测速度快，同时YOLO采用端到端的设计思路，让它的模型更加的容易理解，它的主要思想就是将目标检测问题转换成一个回归问题，从回归的结果中得到预测框的位置以及预测框中包含的物体类别。        下面将对YOLOv1进行讲解：1、网络架构 

        Faster R-CNN是在Fast R-CNN的基础上做了进一步的改进，主要解决的问题就是候选框的生成，通过使用anchor box机制，大大的提高了检测的速度以及效果。有关R-CNN以及Fast R-CNN可以点击链接，进行了解。下面将详细的介绍Faster R-CNN目标检测算法。        1、网络架构 &

        Fast R-CNN目标检测算法是在R-CNN目标检测算法的基础之上，做了改进，关于R-CNN目标检测算法可通过点击链接进行了解。        首先，介绍Fast R-CNN目标检测算法的基本流程：        1、将图片输入到卷积神经网络中，提取

        R-CNN系列的目标检测算法，对以后的目标检测算法有着深远的影响，因此非常有必要了解R-CNN系列算法的基本思想。首先要了解的就是R-CNN目标检测算法，该算法的基本流程如下：        1、对输入图片，采用Selective Search算法，以产生候选框      

        在以前的卷积神经网络中，我们通常会将输入图片缩放到固定大小，进行训练。主要的原因就是卷积神经网络中的全连接层，我们都知道卷积层是不需要固定大小的输入，给它多大的输入，它就可以产生对应的输出。但是当遇到全连接层时，如果给它不同大小的输入，那么它的权重参数的数量就会发生改变，导致无法训练。在固定输入图片时，常用的操作就是裁剪、变形，但是裁剪会导致信息的丢失，变形会导致位置信息的扭曲，从而影响到检测的精度。 

        DenseNet是在ResNet的基础上进行的增强，两者的主要区别在于：                1、DenseNet是让前面所有层与后面层实现密集连接；       &nbs

        随着卷积神经网络深度的不断增加，训练的难度也在不断增大，同时会出现梯度消失的问题。而ResNet就是为了解决这些问题，它能够保证改造后的模型至少不会比原来的模型差。        残差网络模块：        我们可以看到输入传递到残差网络模块之后，

如何提升卷积神经网络的表达能力？？        通常情况下，最直接的方式就是增加卷积神经网络的深度或者增大卷积神经网络的宽度，深度是指网络的结构层次，宽度是指网络的神经元的数量。一般来说增加深度的效果，要比增加宽度的效果要好，原因就是因为函数的嵌套更多，它的表达能力就会越强。        但，是不是层次越深就越好呢？显然不是这样的，主要的原因

        当卷积神经网络被提出来之后，我们一直想要探讨的问题就是卷积神经网络的深度，深度越深代表模型越复杂，但是其训练难度也会加大，那么卷积神经网络到底可以有多深，是不是越深越好。为此在2014年，由牛津大学计算机视觉组和DeepMind公司，提出了VggNet网络结构，这是一种结构层次比较深的卷积神经网络架构。网络架构：        

        AlexNet相较于LeNet其网络层次更深并且是在两块GPU上进行训练，这样做的目的是为了提高运算的效率。但是本质上是和LeNet没什么区别，都是卷积层、池化层、全连接层的顺序堆叠。网络架构：        从上图中，我们可以看到整个AlexNet的网络架构，以及它是如何在两块GPU上进行训练的，当到达一定的层次之后，两块GP

学习经典卷积神经网络目的就是了解卷积神经网络的发展历程，要知道先进算法的网络架构都是从经典卷积神经网络发展而来，废话不多说下面直接介绍LeNet-5卷积神经网络。网络架构：其结构如右图所示，下面将逐层的介绍：第一层：输入层，收入的图片是一张大小为3232的单通道图片，也就是(32, 32, 1)第二层：卷积层，filters=6, kernel_size=5, strides=1, padding=“valid”(32+0-5)/1+1=28那么得到的输出大小就是：(28, 28, 6)有多