chanleoo的博客

为了达成某些目的，需要准备一些条件，不可控条件，通过一些方式，达成目的，形成良好结果，也有可能不好的结果，分析不好结果的原因，可能是方式，条件导致的，分析采用这种方式的原因，平行对比这种比较好，为啥需要这个条件，由目的产生。描述对象语（主语）、特征语（谓语、补语、表语，放到名语前后都有）、状语（限定谓语）、定语（限定名语））如果是对明天下雨的点明，说明明天下雨是个假设条件，这个条件是对不去的说明，是对不去学校的说明，人也是说明和限定指代对象的词，快乐是说明和限定类对象的词，两个限定词结合替代描述对象。

·认识一下函数：x相对于上次变了，y相对于上次也变；通过关系找到的自变量和应变量认识下两数相乘：两者互为斜率和输入，不同的斜率/不同的输入模型：函数的大致模型由变量和幂次决定，函数的参数只能影响函数的走势，不能影响函数的固定大致外形方向代价（损失另一种叫法）：付出的代价值，真实的输出与预测的输出造成的心理误差梯度下降:是一种求局部极小值得方法，可在多处使用...

第一个矩阵按行看，第二个矩阵按列看；行/列都可看成人或者次数。矩阵的发明，可以简洁数学书写；求和也是一种简写，每项有1-n的参数如何拆分数学数字加法为简洁矩阵写法，第一个矩阵按行排，第二个按列排在编程方面的优势体现，两个矩阵可解决大量的数学加乘法运算，并行计算速率高思路：思考难的实现时，可由简单实现类比，...

元即变量，变量即对应于某一类不同的输入值，多元即多个不同类参数：即斜率或者单价（互相性可看作输入）梯度下降：特征缩放便于快速求解，如何实现均值归一化：,将原始数据的波动限制在-0.5~0.5之间掐学习率（绝对不能过大，过小也不好）两个变量各自对输出都有影响，从开始下手，整合成一个对输出影响是一样的多项式：多个项例如一元多项式：多个项（可以是单个项），一个变量经过加减乘除、幂...

线性回归中，预测的输出必定需要输入数据集的影响，不然这样没有关联的数据预测没有意义

用于分类，解决逻辑回归解决不了特征庞大的图像特征（复杂非线性假设模型）虽然逻辑回归可以将非线性函数改成线性，但是由于非线性组合太多，所以即使改过来，那么线性特征将太多，加剧运算量（线性化也行不通）例：一幅照片当有2500个特征时候，即x1、x2、x3........x2500,所有二次项有2500*2499/2=300万个，换成线性化。。。300万个特征合适的权重很重要代价函数用于...

对结果进行验证或纠正或调整，指导下一步操作的重要性，能够准确的找出结果所对应的原因用新样本去检测，好不好训练集用来拟合参数，验证集用来选择模型，测试集作为泛化误差（无人为选择参与过程）一般出现误差=过拟合（方差大-数据集过少，特征过多，）+欠拟合（偏差大-模型选择不好）坐标的横轴重要性，变化如何影响输出（灵敏度）验证集代表即使用非训练集旁边的点（结合图原因）作图技巧，不同的...

卷积核：明显化特征最大池化：提取特征，去掉不需要的特征卷积层：普通神经网络的特殊化-未全连接-连接后未参数不同（训练参数缩小，对应数据集小的情况，防止过拟合，有利于提升计算速度）全连接：普通神经网络（训练参数众多）...

检测：不但分类而且还有定位盒子（通过盒子中心点和长宽）分类：建立输入与输出的关系（比如特征），输入是图片，输出是标签，此物的特征；所以说呢，此物的特征是需要做的，而大量训练过后，就找到了特征和联系，再次输入，检测到特征，即输出目标特征检测：通过训练大量目标物的坐标，之后输入新的，也会得到特征点滑动窗口的目标检测算法：缺点：框的大小小了，步长小了，切片变多，框数量多，计算成本高；框的大小...