1. 简介 在网络上介绍贝叶斯定理，贝叶斯网格的资料随处可见，我在此处就简单给大家的阐述一下什么是贝叶斯，贝叶斯方法其实在高中的时候我们就已经开始接触了，高中的概率大部分讲述的就是贝叶斯方法。 其实在贝叶斯方法真正的被人们认可之前，频率派是概率的主导，假设又一袋球，里面有若干红球和黑球，在贝叶斯之前你随便问一个人拿出红球的概率是多少，他会说50%。嘿！懵逼不？没有黑球红球的数量怎么知道的50%，频率派中的思考方式是不是红球就是黑球，所以50%。2.1 贝叶斯方法的提出 托马斯·贝...

在做测试的时候，显示图片，从cv2读取image之后发现只能显示一张图片，如果plt.imshow()显示来张图片的话，第二章会覆盖第一张图片的位置，其实只要添加一行命令即可：plt.show()，举个例子：img1=plt.imread("test1.jpg")plt.imshow(img1)plt.show()img2=plt.imread("test2.jpg")plt.imshow(img2)plt.show()...

train loss 不断下降，test loss不断下降，说明网络仍在学习;train loss 不断下降，test loss趋于不变，说明网络过拟合;（max pool或者正则化）train loss 趋于不变，test loss不断下降，说明数据集100%有问题;train loss 趋于不变，test loss趋于不变，说明学习遇到瓶颈，需要减小学习率或批量数目;或者是数据集有问题（数据集标注错误数据比较多）train loss 不断上升，test loss不断上升，说明网络结构设计

train loss 不断下降，test loss不断下降，说明网络仍在学习;train loss 不断下降，test loss趋于不变，说明网络过拟合;（max pool或者正则化）train loss 趋于不变，test loss不断下降，说明数据集100%有问题;train loss 趋于不变，test loss趋于不变，说明学习遇到瓶颈，需要减小学习率或批量数目;或者是数据集有问题（数据集标注错误数据比较多）train loss 不断上升，test loss不断上升，说明网络结构设计

在进行深度学习实验时，GPU 的实时状态监测十分有必要。今天详细解读一下 nvidia-smi 命令。这里写图片描述上图是服务器上 GeForce GTX 1080 Ti 的信息，下面一一解读参数。上面的表格中的红框中的信息与下面的四个框的信息是一一对应的：GPU：GPU 编号；Name：GPU 型号；Persistence-M：持续模式的状态。持续模式虽然耗能大，但是在新的GPU应用启动时，花费的时间更少，这里显示的是off的状态；Fan：风扇转速，从0到100%之间变动；Tem

卷积计算公式1、卷积层输入特征图(input feature map)的尺寸为：H(input)×W(input)×C(input)H(input)表示输入特征图的高W(input)表示输入特征图的宽C(input)表示输入特征图的通道数（如果是第一个卷积层则是输入图像的通道数，如果是中间的卷积层则是上一层的输出通道数2、卷积层的参数有如下几个输出通道数为K正方形卷积核的边长为F...

平时在一些数据处理中，经常会把原始数据取对数后进一步处理。之所以这样做是基于对数函数在其定义域内是单调增函数，取对数后不会改变数据的相对关系，取对数作用主要有：1. 缩小数据的绝对数值，方便计算。例如，每个数据项的值都很大，许多这样的值进行计算可能对超过常用数据类型的取值范围，这时取对数，就把数值缩小了，例如TF-IDF计算时，由于在大规模语料库中，很多词的频率是非常大的数字。2. 取对数后，可以将乘法计算转换称加法计算。3. 某些情况下，在数据的整个值域中的在不同区间的差异带来的影响不同。例如，

一、基本操作1、通过cmd打开jupyter notebook。jupyter notebook如果没出错，就会在浏览器中打开notebook文件。2、在file菜单栏下有本地文件夹的路径，可以点击相应的文件打开本地的notebook文件。3、可以在new菜单栏下新建一个python3文件。二、notebook快捷键的使用1、执行单元格：ctrl + enter2、执行当前单元格，并移动到下一个单元格：shift + enter3、执行当前单元格，并新建、移动到下一个单元格：

准确率、精确率和召回率是在目标检测中非常重要的指标，那么它们能反映出模型的结果中的哪些问题呢？如下：准确率、精确率和召回率的解释：True Positive(真正，TP)：将正类预测为正类数True Negative(真负，TN)：将负类预测为负类数False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)准确率、精确率和召回率的公式：准确率（

空洞卷积感受野的计算:空洞卷积感受野的大小分两种情况：(1)不带padding的空洞卷积：若空洞卷积率为dilate rate则感受野尺寸=(dilate rate-1)×(k-1) + k #k为卷积核大小；不带padding的感受野其实就是添加空洞之后的卷积核大小；(2)带padding的空洞卷积：若空洞卷积率为dilate rate则感受野尺寸=2×(dilate rate-1)×(k-1) + k #k为卷积核大小；...

交叉熵详解

概念“纳什均衡“是由美国数学家小约翰·福布斯·纳什（John Forbes Nash Jr），在1950年获得美国普林斯顿大学的博士学位的只有28页的博士论文中提出的一个“博弈论”的概念，根据纳什的说法，“一个纳什平衡点是当其余参与者的策略保持不变时，能够令参与者的混合策略最大化其收益的一个n元组”。[1]“纳什均衡“广泛运用在经济学、计算机科学、演化生物学、人工智能、会计学、政策和军事理论等方面。1994年，纳什和其他两位博弈论学家约翰·海萨尼和莱因哈德·泽尔腾共同获得了诺贝尔经济学奖。[2]

非极大值抑制就是一个寻找局部最大值的过程。在进行目标检测时一般会采取窗口滑动的方式，在图像上生成很多的候选框，然后把这些候选框进行特征提取后送入分类器，一般会得出一个得分（score），比如人脸检测，会在很多框上都有得分，然后把这些得分全部排序。选取得分最高的那个框，接下来计算其他的框与当前框的重合程度（iou），如果重合程度大于一定阈值就删除，因为在同一个脸上可能会有好几个高得分的框，都是人脸但是不需要那么框我们只需要一个就够了。那么肯定有人会好奇，如果图片中有好几个人脸，你这选取一个最大的，那第