深度學(xué)習基礎知識詳解。

機器學(xué)習數學(xué)基礎，學(xué)習機器學(xué)習的必備知識。

計算機視覺(jué)中關(guān)于圖像識別有四大類(lèi)任務(wù)： 分類(lèi)-Classification：解決“是什么？”的問(wèn)題，即給定一張圖片或一段視頻判斷里面包含什么類(lèi)別的目標。 定位-Location：解決“在哪里？”的問(wèn)題，即定位出這個(gè)目標的的位置。 檢測-Detection：解決“是什么？在哪里？”的問(wèn)題，即定位出這個(gè)目標的的位置并且知道目標物是什么。 分割-Segmentation：分為實(shí)例的分割（Instance-level）和場(chǎng)景分割（Scene-level），解決“每一個(gè)像素屬于哪個(gè)目標物或場(chǎng)景”的問(wèn)題。

葉斯分類(lèi)器是一種概率框架下的統計學(xué)習分類(lèi)器，對分類(lèi)任務(wù)而言，假設在相關(guān)概率都已知的情況下，貝葉斯分類(lèi)器考慮如何基于這些概率為樣本判定最優(yōu)的類(lèi)標。在開(kāi)始介紹貝葉斯決策論之前，我們首先來(lái)回顧下概率論委員會(huì )常委--貝葉斯公式。

深度網(wǎng)絡(luò )隨著(zhù)層數不斷加深,可能會(huì )引起梯度消失/梯度爆炸的問(wèn)題: “梯度消失”：指的是即當梯度（小于1.0）在被反向傳播到前面的層時(shí)，重復的相乘可能會(huì )使梯度變得無(wú)限小。 “梯度爆炸”：指的是即當梯度（大于1.0）在被反向傳播到前面的層時(shí)，重復的相乘可能會(huì )使梯度變得非常大甚至無(wú)限大導致溢出。 隨著(zhù)網(wǎng)絡(luò )深度的不斷增加，常常會(huì )出現以下兩個(gè)問(wèn)題: 長(cháng)時(shí)間訓練但是網(wǎng)絡(luò )收斂變得非常困難甚至不收斂 網(wǎng)絡(luò )性能會(huì )逐漸趨于飽和，甚至還會(huì )開(kāi)始下降，可以觀(guān)察到下圖中56層的誤差比20層的更多，故這種現象并不是由于過(guò)擬合造成的。 這種現象稱(chēng)為深度網(wǎng)絡(luò )的退化問(wèn)題。

卷積神經(jīng)網(wǎng)絡(luò )沿用了普通的神經(jīng)元網(wǎng)絡(luò )即多層感知器的結構，是一個(gè)前饋網(wǎng)絡(luò )。以應用于圖像領(lǐng)域的CNN為例，大體結構如圖。

一直沿用至今的“M-P神經(jīng)元模型”正是對這一結構進(jìn)行了抽象，也稱(chēng)“閾值邏輯單元“，其中樹(shù)突對應于輸入部分，每個(gè)神經(jīng)元收到n個(gè)其他神經(jīng)元傳遞過(guò)來(lái)的輸入信號，這些信號通過(guò)帶權重的連接傳遞給細胞體，這些權重又稱(chēng)為連接權（connection weight）。細胞體分為兩部分，前一部分計算總輸入值（即輸入信號的加權和，或者說(shuō)累積電平），后一部分先計算總輸入值與該神經(jīng)元閾值的差值，然后通過(guò)激活函數（activation function）的處理，產(chǎn)生輸出從軸突傳送給其它神經(jīng)元。

vim 是一款比較好用的編輯器，被稱(chēng)為編輯器之神。當然linux或者unix默認的vim編輯器比較丑，要經(jīng)過(guò)一系列的美化，對于使用者的要求比較高，沒(méi)有耐心者勿用。

本人使用Gitea 搭建了私人倉庫，并且在個(gè)站商店 上面添加了自己的倉庫，但是Gitea沒(méi)有提供站點(diǎn)地圖和rss訂閱相關(guān)功能，于是自己就寫(xiě)了腳本來(lái)做這件事，站點(diǎn)地圖的詳見(jiàn)根據站點(diǎn)生成sitemap.xml的腳本 。 本文就是處理rss訂閱的腳本。

最近一直再刷紀錄片，索性就把好看的紀錄片記錄下來(lái)。