燕龙安的专栏

opencv打开摄像头报错：CvCapture_MSMF::initStream Failed to set mediaType (stream 0, (640x480 @ 30) 解决办法及相关内容。附查看摄像头下标代码

最早算法RNN的出现解决了序列问题，但存在一些缺点，因此一些变体被提出。LSTM在原始RNN基础上引入门控制机制，能够很好的解决长期依赖问题。后来出现一些改进方法，并包含一些对比的总结。然后出现了seq2seq框架进行实践的应用。应用中主要包括机器翻译，语音识别，图片描述，手写识别，诗歌生成，对话模型，情感分析，它们都是处理序列信息为主的应用范围。...

图像分类 目标检测 像素级语义分割 超高分辨率成像 球形卷积神经网络 文本处理

数据增强 对比度和亮度调整 灰度级变换 边缘检测算子 对比度归一化 归一化，PCA和白化技术 批归一化

卷积层 卷积层是一个特征提取器，能够提取图像的表达特征。经过卷积层操作得到的表达特征称为特征图。特征图中特征的提取受前一层特征图中局部感受野影响。一个特征图中的特征由一个卷积核计算得到，不同特征图由不同卷积核计算得到。 整流线性单元（ReLU） 它是卷积神经网络中一个重要的结构单元，对神经元有着激活的作业。 池化层 是一个特征压缩器，对上一层的特征进行压缩并尽可能减少图像的失真率，通过压缩特征使神经网络更具图像平移的不变形。 全连接层 卷积层和池化层的交替堆叠组成了一个简单的卷积神经网络，这样...

超参数调节在神经网络的优化训练中非常重要，因为它直接影响神经网络的实际表现。一般而言好的神经网络设计是成功的一部分，关键还在于实际中超参数的调整。深度学习中的超参数数量比传统机器学习中的要多，而且调整起来也更复杂。这些超参数中最重要的就是学习率，还包括每层中隐藏单元数量，训练批次，迭代次数和层数等。同时也可以将激活函数的选择，正则化，优化方法也作为调节的一部分。超参数的调节以实验为基础，尝试不同的超参数设置以获得好的实验结果，不应该直接使用。超参数调节没有尽头，需要不断的尝试。1.学习速率。是最重要的超

局部极限值问题 鞍点问题 海森矩阵病态问题 梯度爆炸问题 梯度消失问题

人工神经网络作为产生较早且影响巨大的一个分支，在整个机器学习的发展历程当中起到十分重要的作用。早期的机器学习研究是与其他领域的研究息息相关的，尤其是生物和医学等领域的发现对机器学习的研究有很大的启发作用。最初人们想要构造的就是一个仿照人类大脑神经网络结构的机器，仿照人的思考模式进行工作。主要是神经网络雏形，MCP神经元模型和最接近神经网络的Hebbian学习规则。所以总结来说，事物的发展都是一个不断进步的过程，从开始受到外界已有食物的启发到逐渐发展的一个过程。这个过程中要不怕错误，不断尝试，才能有新的突

1.计算机视觉。在计算机视觉领域，深度神经网络最令人瞩目的成绩就是ImageNet竞赛。包括人脸识别，目标检测等具体的图形图像处理2.语音识别和合成。在语音识别领域，包括智能家居，语音助手等识别软件。3.自然语言处理NLP。深度学习主要用于语义分析等任务，主要基于统计的模型。4.机器翻译。5.自动驾驶。6.医学。在医学领域，深度学习是一项最新引入的研究方法，它作为一种成熟的图像处理技术主要用于医学影像识别任务。7.游戏领域。著名的就是DeepMind公司创造的人工智能围棋冠军Al

神经网络结构设计中，一个重要的特性是能够接近输入的任意函数。但这种能力大小取决于体系结构的参数，例如网络的广度和深度。更深层次的架构能够更好的捕获数据的不变性质，而非简单的浅层数据。神经网络体系结构的关键特性还有就是能够通过少量的训练数据进行推广和泛化，同时可以使用正则化技术来防止过拟合情况的发生。第三个是数据表征。网络架构能够产生一个良好的数据表征。表征是指对某一个任务有用的输入数据的任意函数，一个最优表征是对最有效标准的量化。研究生为深度网络学习的表征建立信息论基础。第四个特性是优化。训练神经网络的经典

基础理论的研究反正没有表面的技术和工具的发展那么迅速，他们是相对稳定的，但也是其最根深的。为什么要掌握基础理论？在人工智能时代，新模型和新工具与井喷似的大量涌现，但底层的理论基础是共通的，只有深刻掌握理论基础，才能具备了解本质的能力，并精确的使用这些新模型和新工具，这才是技术人最大的本领和价值。如果只是知道，而不知道所以然，那么在很多复杂问题中就无法解决，无法提高。...