开始机器学习知识的学习，差不多已经有一年的时间。这期间看了很多教材和书籍，有些深入进行了学习，有些书（比如深度学习领域著名的西瓜书）则看不下去。机器学习其实也有许多方向，比如强化学习、计算机视觉、自然语言处理等等，如果每个方向都学习的话，普通人也没有那么多精力。 在经过一年的泛…

​前言： 在之前写的一篇计算机视觉入门路线文章中，我推荐大家在不用任何框架、只使用numpy这种包的情况下，从零实现一个卷积神经网络。其中一个很重要的因素就是在这个过程中大家会了解到卷积过程在底层中是

深度学习应用篇-计算机视觉-语义分割综述[5]：FCN、SegNet、Deeplab等分割算法、常用二维三维半立体数据集汇总、前景展望等 语义分割综述（semantic segmentation） 1

一、卷积介绍 众所周知，计算机视觉 是一个多学科融合的领域，从计算机科学到数学，从生物学到心理学，计算机视觉都有很大的用武之地： 视觉的由来与机器视觉的演变 地球诞生生命之初，谁都不知道地球是什么样子

本文讲解了神经网络参数与复杂度计算，以及主流轻量级网络，包括SqueezeNet、Xception、ShuffleNet v1~v2、MobileNet v1~v3等

本教程依托于 Stanford 斯坦福大学的《CS231n：深度学习与计算机视觉》，对深度学习与计算机视觉方向的图像分类、CNN、RNN、目标检测、图像分割、生成模型等各个主题做了体系化的梳理

本文讲解训练神经网络的核心方法：初始化（激活函数、数据预处理、权重初始化、正则化、梯度检查），训练动态（监控学习过程、参数更新、超参数优化）等【对应 CS231n Lecture 6】

本文讲解了卷积神经网络的重点知识：卷积层、池化层、ReLU层、全连接层、局部连接、参数共享、最大池化、步长、零填充、经典案例等【对应 CS231n Lecture 5】

本文讲解了损失函数（数据损失与正则损失）、多类 SVM 损失与Softmax损失比较、梯度计算方法（数值梯度与解析梯度）、梯度下降优化算法等【对应 CS231n Lecture 3】