qq_34703466的博客

1、LOOCV方法，即（Leave-one-out cross-validation）（延伸  --  多次随机测试 ）优点：出错较少 缺点：计算量太大差不多N倍2、K-fold Cross Validation将样本分为M块，k块验证，M-k块测试 ，CM,k次验证优点：成本较少，耗时却更少...

Fast R-CNN是在R-CNN和SPP-Net的基础上改良而来的。R-CNN的缺点a，步骤繁琐首先需要对输入的数据进行wrap或者crop，从而将数据变为fix的输入（224*224）然后对于输入的每一个proposal，通过5个卷积网络和2个全连接网络进行训练而且还需要使用SVM对数据进行fine tuning最后还需要对bbox进行回归学习b，占用空间和时间在SVM和bbox回归时，从图片...

SPP全称为Spatial Pyramid Pooling，即空间金字塔池化，听名字就知道是对RCNN的一种变形，目的是为了解决RCNN输入图像的大小固定（224*224）的问题，因为真实照片中的物体的大小并不都一样，对图像就行wrap或者切割，不可避免会造成图像的失真，从而增大运算结果的误差。SPP与RCNN最大的不同就是SPP使用了一个全连接层，而不进行微调，并且计算region propsa...

RCNN（Regions with CNN features）是使用CNN方法解决图片中目标检测问题，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。        算法可以分为四步：        1）候选区域选择        Region Proposals是CNNs使用的一类传统的区域提取方法，主要进行特定目标检测，比如人脸、行人可以看作不同...

进行深度学习时，常常需要使用一些正太分布数据，numpy就提供了很多方法，生成正太分布数据，减少了我们很多工作量 numpy.random.randn(x1,x2,x3.....)是从标准正态分布中返回一个或多个样本值。 numpy.random.rand(x1,x2,x3.....)的随机样本位于[0, 1)中。 import numpy as nparr1 = np.random.rand...

1、通过PCA算法丢弃一些对最终预测结果影响不大的特征2、保留所有特征，使用正则化技术，减少特征前面的参数θ的大小---修改损失函数，实例如岭回归以及Lasso回归...

大规模的神经网络有两个缺点：费时，容易过拟合dropout效果：每次从原始网络中找到一个更瘦的网络，对于一个有N个节点的神经网络，相当于有了2~n个新模型dropout迫使一个神经单元，和以概率随机挑选出来的其他神经单元一起工作，减弱各个神经单元间的关联度，增强了网络的泛化能力...

1、随机梯度下降：局部最优，可能摇摆，但是前期速度较快2、批量梯度下降：全局最优，精度高，速度较慢，后期速度会超越随机梯度下降

1、Storm是分布式的，处理实时不间断处理数据，如Twitter2、Storm之所以可靠，在于nimbus和worker的状态都存储在zookeeper中，因此当worker宕机时，可以通过zookeeper快速恢复...

非极大值抑制（Non-Maximum Suppression，NMS）,顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最高的窗口的。例如在行人检测...