zy1992As的博客

然后看这2个bounding box的IOU，哪个比较大，就由哪个bounding box来负责预测该对象是否存在，即该bounding box的Pr(Object)=1，同时对象真实bounding box的位置也就填入该bounding box。将图片resize成448x448的大小，送入到yolo网络中，输出一个 7x7x30 的张量(tensor)来表示图片中所有网格包含的对象(概率)以及该对象可能的2个位置(bounding box)和可信程度(置信度)。狗和汽车的分类概率也是同样的方法填写。

其原理是比较待查数据与数组中值的数据的大小，如果等于中间值则直接返回，如果大于中间值，就只在后半部分查找，如果小于中间值，就在前半部分查找，如此往复，直到找到数据，或剩下一个元素。插值查找(lnterpolation Search)是对实例的二分查找的改进，其应用场景是排序数组中的值是均匀分布的。二分查找总是到中间元素做左右划分，而插值搜索会根据正在搜索的Key的大小来确定划分的位置例如，如果Key更接近最后一个元素，则插值搜索会从后半部分开始进行数据划分。块内的元素是可以无序的，但块必须是有序的。

在递归神经网络中，隐藏层的输出会被传递给下一个时间步骤的输入，使网络可以记忆之前的信息和处理时间依赖的数据。最后，我们创建了递归神经网络的实例，输入数据X和目标输出y，并通过调用实例的forward方法得到预测结果y_hat。前馈神经网络(Feedforward Neural Network)和递归神经网络(Recurrent Neural Network)是两种常见的神经网络模型，它们之间存在一些关键区别。接下来，笔者使用Python代码演示前馈神经网络和递归神经网络的基本结构和使用方法。

词法分析程序逐个读取源代码中的字符产生助记符表，例如逐个读取的5个字符w、h、i、l、e会被作为助记符while放人助记符表，x、a等无法串成字符串的字符也会被视为由单个字符构成的助记符放入助记符表。编译执行是指通过编译程序(也称为编译器)将源代码(source code)一次性编译成目标程序(object code)，再由计算机运行目标程序的过程，其中源代码指由高级语言编写的代码。如果使用解释器，可以直接运行这段Python代码，解释器会逐行解释并将其转换为机器语言代码，并直接在计算机上运行程序。

二叉树天然的具有递归结构，二叉树的递归定义为：二叉树是一棵空树，或者是一棵由一个根节点和两棵互不相交的， 分别称作根的左子树和右子树组成的非空树;先序遍历(前序遍历)：按照根节点 -> 左孩子 -> 右孩子 的方式遍历，即「先序遍历」，每次先遍历根节点，遍历结果为 1 2 4 5 3 6 7；中序遍历：按照左孩子 -> 根节点 -> 右孩子 的方式遍历，即「中序序遍历」，遍历结果为 4 2 5 1 6 3 7;层序遍历：按照每一层从左向右的方式进行遍历，遍历结果为 1 2 3 4 5 6 7。

搜索引擎的热门搜索排行榜功能你用过吗?你知道这个功能是如何实现的吗?实际上，它的实现并不复杂。搜索引擎每天会接收大量的用户搜索请求，它会把这些用户输入的搜索关键词记录下来，然后再离线地统计分析，得到最热门的 Top 10 搜索关键词。那请你思考下，假设现在我们有一个包含 10 亿个搜索关键词的日志文件，如何能快速获取到热门榜 Top 10 的搜索关键词呢?这个问题就可以用堆来解决，这也是堆这种数据结构一个非常典型的应用。上一节我们讲了堆和堆排序的一些理论知识，今天我们就来讲一讲，堆这种数据结构几个非常重要的

meanshift原理：一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。优缺点：简单，迭代次数少，但无法解决目标的遮挡问题并且不能适应运动目标的的形状和大小变化camshift原理：对meanshift算法的改进，首先应用meanshift，一旦meanshift收敛，它就会更新窗口的大小，还计算最佳拟合椭圆的方向，从而根据目标的位置和大小更新搜索窗口。

以一个符合语言规律的序列为输入，模型将利用序列间关系等特征，输出一个在所有词汇上的概率分布.这样的模型称为语言模型。

FAST (全称Features from accelerated segment test)是一种用于角点检测的算法，该算法的原理是取图像中检测点，以该点为圆心的周围邻域内像素点判断检测点是否为角点，通俗的讲就是若一个像素周围有一定数量的像素与该点像素值不同，则认为其为角点。为所有的候选角点都确定一个打分函数$$V $$ ， $$V $$的值可这样计算：先分别计算$$I_p$$与圆上16个点的像素值差值，取绝对值，再将这16个绝对值相加，就得到了$$V $$的值。$$I_p$$等于像素点 p的灰度值。

它需要三个指定的输入Q(query)，K(key)，V(value)，然后通过计算公式得到注意力的结果，这个结果代表query在key和value作用下的注意力表示.当输入的Q=K=V时，称作自注意力计算规则。

如果要进入这个行业需要衡量得与失的问题，30岁转行做人工智能，还是要考虑时间成本和自己是否真的热爱这个行业，关键是前期需要较充分地了解这个行业不是人云亦云，决定了就要做好坚持的准备。学习人工智能耗费的时间相对较长，不能速成，需要做好前期的投入和前期没收入的准备。有编辑经验的程序员在互联网行业，沉淀了几年的编程基础，并在工作中早就接触过算法的相关知识和技术，仍需要经过几个月的时间进行一次系统的进修和升级补充一些目前企业需求的项目实战经验，才能让自己的职业生涯更进一步，跟上技术需求摆脱“中年危机”。

SVM全称是supported vector machine(支持向量机)，即寻找到一个超平面使样本分成两类，并且间隔最大。SVM能够执行线性或⾮线性分类、回归，甚至是异常值检测任务。它是机器学习领域最受欢迎的模型之一。SVM特别适用于中小型复杂数据集的分类。

逻辑结构反映的是数据元素之间的关系，它们与数据元素在计算机中的存储位置无关，是数据结构在用户面前所呈现的形式。根据不同的逻辑结构来分，数据结构可分为集合、线性结构、树形结构和图形结构4种形式，接下来分别进行简要介绍。1）集合在集合中，数据元素都属于这个集合，但数据元素之间并没有什么关系。它类似于数学中的集合，如图所示。集合2）线性结构线性结构中的元素具有一对一的关系，通过前一个结点可以找到后一个结点，图1-1的学生信息表就是一个线性结构，数据元素逐个排列。线性结构中前后两个结点互有联系。线性结构分为顺序存

tf.keras是TensorFlow 2.0的高阶API接口，为TensorFlow的代码提供了新的风格和设计模式，大大提升了TF代码的简洁性和复用性，官方也推荐使用tf.keras来进行模型设计和开发。tf.keras中常用模块如下表所示：深度学习实现的主要流程：1.数据获取，2，数据处理，3.模型创建与训练，4 模型测试与评估，5.模型预测。使用 tf.keras，首先需要在代码开始时导入tf.keras。2.数据输入对于小的数据集，可以直接使用numpy格式的数据进行训练、评估模型，对于大

人工智能培训课程中会讲到许多算法，那么究竟什么是算法？算法（algorithm）是解决特定问题的步骤描述，通俗地讲，算法就是描述解决问题步骤的方法。例如，新学期开学，从家到学校的交通方式这个问题就有很多解决方案：有的学生乘坐火车，有的学生乘坐汽车，有的学生乘坐飞机，在本市的可能会自己开车或乘坐公共汽车，离学校近的可能会步行来学校。这里每一种方案就是一种算法，这么多解决方法就是这么多种算法。在计算机中，算法也是对某一个问题的求解方法，只是它的表现形式是计算机指令的有序序列，执行这些指令就能解决特定的问题。

OpenCV的模块，core、highgui、imgproc是最基础的，它们实现的功能和方法各不相同，分别介绍如下：core模块实现了最核心的数据结构及其基本运算，如绘图函数、数组操作相关函数等。highgui模块实现了视频与图像的读取、显示、存储等接口。imgproc模块实现了图像处理的基础方法，包括图像滤波、图像的几何变换、平滑、阈值分割、形态学处理、边缘检测、目标检测、运动分析和对象跟踪等。 对于图像处理其他更高层次的方向及应用，OpenCV也有相关的模块实现features2d模块用于提取图像特征

算法（algorithm）是解决特定问题的步骤描述，通俗地讲，算法就是描述解决问题步骤的方法。例如，新学期开学，从家到学校的交通方式这个问题就有很多解决方案：有的学生乘坐火车，有的学生乘坐汽车，有的学生乘坐飞机，在本市的可能会自己开车或乘坐公共汽车...