u013793650的专栏

1. 神经元的数量：和输入层类似，输出维度是多少，神经元就有多少feature map大小 * feature map数量2. 连接数量：全连接：输入层神经元数量*输出层神经元数量CNN局部连接： 故由于局部连接机制，卷积层的连接数为：局部连接的输入层神经元数*卷积层神经元数以alexnet为例：在第一个卷积层，神经元使用的感受野尺寸F=

R-CNN系列已发展到Mask R-CNN，目前各种目标检测、语义分割大赛选手大多基于该系列变种。虽然网上有很多介绍了，但最好的学习方式还是读论文，从中可以了解到坐着的思路和心路历程。个人笔记，未经润色，转载请注明出处。1 introduction:问题一：如何解决目标检测目标检测几种方法：regression:同时期工作，文献38，比作者的方法准确率差好多slid

1. Introduction关键点：从多阶段（multi stage）训练合并到single stage 训练1.1 R-CNN存在的问题多个训练阶段 multi stage pipeline：finetuing, svm classifier, bbox regressor空间、时间上expensive：SVM, bbox regressor训练输入的cnn特征保存在磁

RNN/LSTM比CNN难理解，LSTM介绍最有名的当属colah http://colah.github.io/posts/2015-08-Understanding-LSTMs/这篇及其各种中文版。但是。。。。。。。。。。。。。。。https://www.zybuluo.com/hanbingtao/note/581764 这篇比colah的牛逼细致多了！！！强烈建议好好看，介绍的非常

Pytorch官方目前无法像tensorflow, caffe那样直接给出shape信息，详见https://github.com/pytorch/pytorch/pull/3043以下代码算一种workaround。由于CNN, RNN等模块实现不一样，添加其他模块支持可能需要改代码。例如RNN中bias是bool类型，其权重也不是存于weight属性中，不过我们只关注s