Zachary_Co的博客

原文站点：https://senitco.github.io/2017/09/08/deep-learning-dropout/  训练神经网络模型时(Nerual Network)，如果网络规模较大，训练样本较少，为了防止模型过拟合，通常会采用Regularization(正则化，e.g. L2-norm、Dropout)。Dropout的基本思想是在模型训练时，让某些神经元以一定的概率不工作。

原文站点：https://senitco.github.io/2017/09/05/deep-learning-activation-function/  神经网络的激活函数(activation function)通过引入非线性因素，使得网络可以逼近任何非线性函数，提高网络模型的表达能力，更好地解决复杂问题。 Overview  激活函数通常具有以下性质： - 非线性：使用非线性激活函数的多层

原文站点：https://senitco.github.io/2017/09/02/faster-rcnn/  R-CNN是目标检测领域中十分经典的方法，相比于传统的手工特征，R-CNN将卷积神经网络引入，用于提取深度特征，后接一个分类器判决搜索区域是否包含目标及其置信度，取得了较为准确的检测结果。Fast R-CNN和Faster R-CNN是R-CNN的升级版本，在准确率和实时性方面都得到了较大

原文站点：https://senitco.github.io/2017/09/10/deep-learning-regularization/  在训练神经网络时，为了缓解网络规模较大、训练数据较少而可能导致的过拟合(Overfitting)问题，通常会采取正则化(Regularization)方法，以提高模型的泛化能力。 Overview  过拟合具体表现如下图所示，在迭代训练的过程中，模型复杂

原文站点：https://senitco.github.io/2017/07/20/linux-install-tensorflow/  简单介绍在Linux服务器的个人目录下安装TensorFlow。TensorFlow的安装方式有多种，基于Pip的安装、基于Docker的安装、基于VirtualEnv的安装、基于Anaconda的安装，以及从源码编译安装，这些在官网均有介绍，这里简单记录下基于A

原文站点：https://senitco.github.io/2017/03/03/text-detection-recognition/  The task of Chinese text detection is to localize the regions in a 2D image which contain Chinese characters. The task of Chinese

原文站点：https://senitco.github.io/2017/09/12/deep-learning-normalization/  Normalization可理解为归一化、标准化或者规范化，广泛应用于诸多领域。整体来讲，Normalization扮演着对数据分布重新调整的角色。在图像处理领域，不同形式的归一化可以改变图像的灰度、对比度信息；在机器学习和神经网络中，Normalizati