人工智能

经典卷积神经网络 - LeNet 该模型用于手写的数字识别。 MNISt数据集 50000个训练数据，10000个测试数据。图像大小为28x28，共10类（0～9）。 对于padding 至于选择填充

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。

批量归一化 批量归一化（Batch Normalization），由Google于2015年提出，是近年来深度学习（DL）领域最重要的进步之一。该方法依靠两次连续的线性变换，希望转化后的数值满足一定的

经典卷积神经网络 - AlexNet AlexNet是2012年ImageNet图像分类竞赛的冠军。 整体结构 AlexNet是由Alex Krizhevsky、Ilya Sutskever和Geof

经典卷积神经网络 - VGG 使用块的网络 - VGG。 VGG全称是Visual Geometry Group，因为是由Oxford的Visual Geometry Group提出的。

经典卷积神经网络 - ResNet ResNet是一种残差网络，咱们可以把它理解为一个子网络，这个子网络经过堆叠可以构成一个很深的网络。 我们一直在加深神经网络，但是加深不一定只会带来好处。 残差块

Head、Neck、Backbone介绍 在深度学习中，通常将模型分为三个部分：backbone、neck 和 head。 Backbone：backbone 是模型的主要组成部分，通常是一个卷积神经

目标检测 - FPN结构 图a为特征图像金字塔，针对我们要检测不同尺度的目标时，我们会将图片缩放到不同的尺度，针对每个尺度的图片都经过我们的模型进行预测。面临问题：生成n个不同的尺度，就要重新预测n次

查看神经网络中间层特征矩阵及卷积核参数 可视化feature maps以及kernel weights，使用alexnet模型进行演示。 1. 查看中间层特征矩阵 alexnet模型，修改了向前传播

迁移学习 - 微调 什么是与训练和微调？ 你需要搭建一个网络模型来完成一个特定的图像分类的任务。首先，你需要随机初始化参数，然后开始训练网络，不断调整参数，直到网络的损失越来越小。在训练的过程中，一开

数据增广 增加一个已有数据集，使得有更多的多样性 在语言里面加入各种不同的背景噪音 改变图片的颜色和形状 翻转 左右翻转 上下翻转 但是并不总是可行的。 切割 从图片中切割一块，然后变形到固定形状 随

循环神经网络 - RNN 循环神经网络（Rerrent Neural Network,RNN）是神经网络的一种，类似的还有深度神经网络（DNN）、卷积神经网路(CNN)、生成对抗网络（GAN)等。**

经典卷积神经网络 - GoogLeNet GoogLeNet是google推出的基于Inception模块的深度神经网络模型，在2014年的ImageNet竞赛中夺得了冠军，在随后的两年中一直在改进，

自定义数据集 - Dataset 1. PASCAL VOC格式 划分训练集和验证集 2. 自定义dataset 自定义自己的数据集，需要继承torch.utils.data.Dataset，并且实现

Doubbo+Zookeeper 1. 分布式 分布式是建立在网络之上的 RPC两个核心：通信，序列化 序列化：数据传输需要转换，为了对象的传输 2. Dubbo 高可用的RPC框架 三大核心能力：

目标检测及锚框、IoU 1. 目标检测 物体检测（目标检测）是计算机视觉和数字图像处理的热门方向，意在判断一幅图像上是否存在感兴趣物体，并给出物体分类及位置等（What and Where）。

目标检测数据集 - MS COCO 1. 数据集介绍 MS COCO是一个非常大型，且常用的数据集，其中包括了目标检测、分割、图像描述等，其主要特征如下： Object segmentation：目标

经典目标检测网络 1. 目标检测算法分类 目标检测算法主要分两类：One-Stage与Two-Stage。One-Stage与Two-Stage是两种不同的思路，其各有各的优缺点。

CNN感受野 在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称为感受野。通俗的解释是，输出feature map上的一个单元对应输入层上的区域大小。

目标检测中常见指标 1. 评价指标 在目标检测领域，比较常用的两个公开数据集：pascal voc和coco。 目标检测与图像分类明显差距是很大的，在图像分类中，我们通常是统计在验证集当中，分类正确的