专注于机器学习，深度学习，人脸识别领域。

原文地址http://blog.youkuaiyun.com/aws3217150 判断事物的好坏需要一定的评判标准，判断分类系统的优劣自然需要一定的评判方式。作为设计机器学习系统的一个很重要的环节——评价指标(Evaluation Metric)即是本文的主角。本文首先介绍Accuracy单独作为评价指标可能有什么不足，再介绍从Precision-Recall到F-measure的推进，接着给出解决Accu

为了准备面试，所以在网上搜集一些深度学习面试题，还有自己面试过程中遇到的一些问题吧。我自己面试的：1 SVM推导，SVM多分类方法（1对1 ，1对多，多对多），lr loss funtion 推导 ，决策树含义。 2 解决过拟合方法。l1 l2详细介绍，解决梯度爆炸／弥散 方法 3 常用cnn及介绍，每一个经典模型的创新点 4 自己的炼丹（调参）技巧 5 kmeans adabo

线性回归和逻辑斯提回归都是线性模型，虽然逻辑斯提回归是加了sigmoid函数，引入了非线性，但是它本质上还是只能解决非线性问题的。 两者的区别本质上，线性回归是做回归的，回归出y=wx+b的w,b。lr是做分类的，得到置信度。其实lr就是在线性回归基础上加上了sigmoid函数，然后通过sgd，拟牛顿法等方法得到1/(1+exp(z));z=wx+b; 里面的w，b。

笔记笔记已上传到有道云笔记，请跳转查阅

笔记笔记已上传到有道云笔记，请跳转查阅

笔记笔记已上传到有道云笔记，请跳转查阅

笔记笔记已上传到有道云笔记，请跳转查阅

笔记笔记已上传到有道云笔记，请跳转查阅

笔记笔记已上传到有道云笔记，请跳转查阅

笔记笔记已上传到有道云笔记，请跳转查阅

有道云笔记笔记已分享到有道云笔记，请跳转查阅

有道云笔记笔记已分享到有道云笔记，请跳转查阅

有道云笔记地址笔记已上传到有道云笔记，请跳转查阅

实现汤晓鸥组的DeepID 1 论文，主要是为了学习caffe以及深度学习流程这篇文章主要是实现face verification。 首先自己制备数据集，我选取的是megaface的一部分。然后训练模型。然后把测试集中的图片输入模型，提取特征。把特征用联合贝叶斯分布进行分类。

考了 pls, rbm, auto-encoder,svm核函数，贝叶斯估计公式，神经网络优化算法（如SGD），梯度消失及改进，编程题是统计英文单词频率和链表翻转

做dl也有一段时间了，积累了一些经验，也在网上看到一些别人的经验。 为了面试，结合知乎上面的问答，我也总结了一下，欢迎大家补充。知乎 深度学习调参有哪些技巧？一. 初始化 有人用normal初始化cnn的参数，最后acc只能到70%多，仅仅改成xavier，acc可以到98%。二.从理解CNN网络以产生直觉去调参数的角度考虑，应该使用可视化 可视化（知乎用户 杨军）1.Visualize La