Hello Word!

相机焦距f，相机之间距离（基线）b，右上角为目标位置，相机离目标垂直距离（所求目标距离相机的深度）为z，目标的水平坐标为x于是按照三角形的原理有：zf=xxl=x−bxr\frac{z}{f}=\frac{x}{x_{l}}=\frac{x-b}{x_{r}}fz​=xl​x​=xr​x−b​化简得到深度：z=f∗bxl−xrz=\frac{f*b}{x_{l}-x_{r}}z=xl​−xr​f∗b​相应地，还能得到目标的横坐标x和纵坐标y的值。https://zhuanlan.zhihu.c.

关于softmax和交叉熵：probability，odds，logit, softmax, logSoftmax，交叉熵熵：随机事件X有n种可能发生的情况，每种情况发生的概率为pip_ipi​H(X)=−∑i=1npilog(pi)H(X)=-\sum_{i=1}^{n} p_ilog(p_i)H(X)=−i=1∑n​pi​log(pi​)交叉熵：度量两个概率分布p、q之间的差异，yiy_iyi​服从q分布，pip_ipi​服从p分布Ci=−∑j=1Cyjlog(pj)C_i = -\sum

Hinge loss:用途：减少类内差异，增大类间差异思想：Loss=max(0,1−y∗y^)Loss = max(0,1-y*\hat{y})Loss=max(0,1−y∗y^​)yyy和y^\hat{y}y^​一个是真实值（0或1），一个是预测值（0-1之间的概率）。这个loss最小值为0，最大值为1。Focal loss:用途：解决难样本与容易样本的不平衡问题（不是正负样本的不平衡问题）思想：减少置信度高的样本的loss（这些样本分类概率p很高，用1-p和它的loss相乘），因为觉

svm可以处理回归问题吗？可以。svm是为了训练出超平面y=wx+by=wx+by=wx+b，回归的时候直接使用y做为预测值逻辑回归解决回归问题还是分类问题？分类问题线性回归公式：y=wT∗x+by=w^T*x+by=wT∗x+bsigmoid函数：y=11+e−xy = \frac{1}{1+e^{-x}}y=1+e−x1​逻辑回归公式（同时结合线性回归和逻辑回归）：y=11+e−wTxy=\frac{1}{1+e^{-w^Tx}}y=1+e−wTx1​...

https://resources.wolframcloud.com/NeuralNetRepository/resources/2D-Face-Alignment-Net-Trained-on-300W-Large-Pose-Datahttp://www.cbsr.ia.ac.cn/users/xiangyuzhu/projects/3DDFA/Database/300W-LP/main.htm[300W-3D]: https://drive.google.com/file/d/0B7OEHD3T4e

McNemar检验用于比较两个模型的差异性，不能说明哪个模型更准确。0假设是没有显著差异。检验统计量（p）是0假设发生的概率。指定显著度为alpha。p>alpha，接受0假设，没有显著差异。反之拒绝。McNemar 检验统计量符合自由度为1的卡方分布 （自由度为K的卡方分布为K个高斯分布的随机变量的平方和服从的分布）http://www.atyun.com/25532.html卡方分布：https://zh.wikipedia.org/wiki/%E5%8D%A1%E6%96%B9%E5%

probability：事件发生的概率odds: 事件发生的概率和不发生的概率之比 p/(1-p)logit：odds 的对数 log[p/(1-p)]https://zhuanlan.zhihu.com/p/27188729

链式法则用的是点积（内积），不是矩阵乘积（外积）https://mathinsight.org/chain_rule_multivariable_special_cases

点积（dot product)内积(inner product)数量积(scalar product)点积是内积的特例，内积是数量积的特例。\vec {a}\vec a \cdot \vec b = 0\vec a \cdot \vec b = 0点乘：https://blog.youkuaiyun.com/xingxinmanong/article/details/78528791...

https://mxnet.apache.org/versions/1.6/api/r/docs/api/mx.nd.norm.htmlhttps://mxnet.apache.org/versions/1.6/api/r/docs/api/mx.nd.L2Normalization.html

二范数的偏导二范数平方的偏导d(||x||^2)/d(x) = 2x

输入矩阵1 axb输入矩阵2 cxd协方差矩阵shape 为 (a+c) x (a+c)示例：>>> b = np.random.random((2,100))>>> a = np.random.random((3,100))>>> np.cov(a,b).shape(5, 5)

作用是求中位数。注意求中位数之前会先进行从小到大排序排序的结果中，中间位置的才是中位数。如果是奇数个，中位数就是排序后的中间那个数。如果是偶数个，中位数就是排序后的中间两个数的平均...

1，贝叶斯统计的关键特点：人们根据新的观测改变了对一个事件发生概率的信念（belief）举例：假设某天太阳没有升起，那么你很有可能觉得第二天太阳也不会升起。但如果第二天太阳又正常升起了，你对太阳会再次罢工的概率预期也会比之前高很多。这就是基于对事件的观测改变了自己对事件发生概率的信念。大体的过程是：前期我们认为的一个事件发生的概率（先验概率，事件还未发生）-》新的观测-》我们更新了自己...

样本不足30——选择T分布样本超过30——样本平均值符合正态分布

总体标准差和样本标准差公式：解释：1，求一组数据的标准差，该组数据就是总体，此时是求总体标准差，公式中分母为n；2，总体太大或未知，只能每次抽取样本，此时是求样本标准差，分母为n-1。图片来源：https://www.cnblogs.com/webRobot/p/7722820.html...