%E4%B9%8B%20R-CNN/cover.png?raw=true)
目标检测（一）之 R-CNN
一、论文相关信息 1.论文题目 Rich feature hierarchies for accurate object detection and semantic segmentation
2.论文时 ...
目标检测之目录
一、目标检测之R-CNN 2013年 文献地址 博主博客之R-CNN之 R-CN ...
%20%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C%E6%A8%A1%E5%9E%8B%E4%BB%8B%E7%BB%8D/cover.png?raw=true)
深度学习知识系列(三) 卷积网络模型介绍
1、LeNet
LeNet 诞生于 1994 年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。这篇文章对之后的发展具有开创意义。在那个没有GPU加速的年代，LeNet设计简单，这也就使其处理复杂数据的能力有限。
2、AlexNet
&e ...
%20%E5%90%84%E7%A7%8D%E5%8D%B7%E7%A7%AF%E5%BD%A2%E5%BC%8F/cover.gif?raw=true)
深度学习知识系列(二) 各种卷积形式
一、卷积的本质 首先，我们先从数学和图像处理应用的意义上来看一下卷积到底是什么操作。我们先回到数学教科书中来看卷积，在泛函分析中，卷积也叫旋积或者褶积，是一种通过两个函数x(t)和h(t)生成的数学算子。其计算公式如下：
连续形式:\ \ \ \
x(t)*h(t ...
%20%E4%BC%98%E5%8C%96%E5%99%A8%E4%BB%8B%E7%BB%8D/cover.gif?raw=true)
深度基础知识系列(一) 优化器介绍
一、梯度下降法(Gradient Descent) 微积分中，对多元函数的参数求$ \theta$偏导数，把求得的各个参数的导数以向量的形式写出来就是梯度。梯度就是函数变化最快的地方。梯度下降是迭代法的一种，在求解机器学习算法的模型参数 $ \theta$ 时， ...
%20%20%E9%9D%A2%E8%AF%95%E5%B0%8F%E7%9F%A5%E8%AF%86(2)/cover.jpg?raw=true)
AI小知识系列(五) 面试小知识(2)
AI小知识系列—第二节1、机器学习中样本不平衡的处理方法 处理样本不均衡的方法主要有以下三种：
1.欠采样 欠采样（undersampling）法是去除训练集内一些多数样本，使得两类数据量级接近，然后在正常进行学习。
&e ...
%20%20Matplotlib%E5%B8%B8%E7%94%A8%E6%93%8D%E4%BD%9C/cover.jpg?raw=true)
AI小知识系列(四) Matplotlib常用操作
Matplotlib常用操作12import matplotlib.pyplot as pltimport numpy as np
1.折线图12345678910111213x_axis = [5,8,9,11,14,16,18,19]y_axis1= [19,18,16,14,11,8, ...
%20%20Pandas%E5%B8%B8%E7%94%A8%E6%93%8D%E4%BD%9C/cover.jpg?raw=true)
AI小知识系列(三) Pandas常用操作
Pandas常用操作123import pandas as pdimport numpy as np#以下操作对100行，5列的数据进行操作
1.读取csv文件12345678910111213141516171819202122232425262728293031csv_file = pd.rea ...
%20%E8%AE%AD%E7%BB%83%E8%BF%87%E7%A8%8BTrick%E5%90%88%E9%9B%86/cover.png?raw=true)
AI小知识系列(二) 训练过程Trick合集
1. 写代码之前要做的事情训练神经网络前，别管代码，先从预处理数据集开始。我们先花几个小时的时间，了解数据的分布并找出其中的规律。
Andrej有一次在整理数据时发现了重复的样本，还有一次发现了图像和标签中的错误。所以先看一眼数据能避免我们走很多弯路。
由于神经网络实际上是数据集的压缩版本， ...
%20%20%E9%9D%A2%E8%AF%95%E5%B0%8F%E7%9F%A5%E8%AF%86(1)/cover.jpg?raw=true)
AI小知识系列(一) 面试小知识(1)
AI小知识系列—第一节1、神经网络反向传播公式推导 神经网络的反向传播是借助计算图和链式法则来进行的
以下面的函数为例，进行具体讲解：
首先，我们先要声明，在这里$ x_0,x_1$是这个函数的输 ...
