三木今天学习了嘛の博客

如果说卷积神经网络可以有效地处理空间信息， 那么本章的循环神经网络（recurrent neural network，RNN）则可以更好地处理序列信息。 循环神经网络通过引入状态变量存储过去的信息和当前的输入，从而可以确定当前的输出。

计算机视觉7 单发多框检测（SSD）7.1 模型7.1.1 类别预测层7.1.2 边界框预测层7.1.3 连接多尺度的预测7.1.4 高和宽减半块7.1.5 基本网络块7.1.6 完整的模型7.2 训练模型7.2.1 读取数据集和初始化7.2.2 定义损失函数和评价函数7.2.3 训练模型8 区域卷积神经网络（R-CNN）系列8.1 R-CNN8.2 Fast R-CNN8.3 Faster R-CNN8.4 Mask R-CNN8.5 小结9 语义分割和数据集9.1 图像分割和实例分割9.2 Pascal

本博客介绍两种可以改进模型泛化的方法 ，即图像增广和微调，并将它们应用于图像分类。，并且简单介绍边界框和锚框在目标检测中的作用及原理。

在深度学习中，数据集和模型通常都很大，导致计算量也会很大。因此，计算的性能非常重要。影响计算性能的主要因素：命令式编程、符号编程、异步计算、自动并行和多GPU计算。

虽然深度神经网络的概念非常简单——将神经网络堆叠在一起。但由于不同的网络结构和超参数选择，这些神经网络的性能会发生很大变化。 本章介绍的神经网络是将人类直觉和相关数学见解结合后，经过大量研究试错后的结晶。 我们会按时间顺序介绍这些模型，在追寻历史的脉络的同时，帮助你培养对该领域发展的直觉。这将有助于你研究开发自己的结构。 例如，本章介绍的批量归一化（batch normalization）和残差网络（ResNet）为设计和训练深度神经网络提供了重要思想指导。

本博客介绍了神经网络的基本知识，如卷积、填充、池化和步幅等，简单介绍了卷积神经网络——LeNet。

本博客介绍了层和块的基本知识，网络中参数管理，如何自己定义需要的层，读写文件来保存参数和模型以及神经网络中与GPU相关的知识。

本博客介绍了丢弃法（Dropout），正向传播和反向传播以及深度学习可能面临的梯度爆炸和梯度消失。

本博客介绍了感知机和多层感知机，模型选择，过拟合和欠拟合。参考书籍：《动手学深度学习V2》

本博客介绍了线性回归和softmax回归，从数学公式到代码实现，再到高级API，更简洁地实现代码。参考书籍：《动手学深度学习V2》

深度学习入门系列，本博客主要介绍数据操作的相关内容。

解决方法1.打开Pycharm的Terminal终端。2.输入命令：tensorboard.exe --logdir=存放events.out.tfevents文件。但发现打不开这个网址。3.在最后加上 --host=127.0.0.1可以使用了！！！！