序言 计算机视觉，或者说基于深度学习的计算机视觉模型在最近获得了蓬勃的发展，论文数量不断创下新高，各种新方法，新结构层出不穷，而这一切，都来自于2012年某位叫做Alex的人在ImageNet大赛上展现出了卷积神经网络的无穷潜力。 卷积神经网络的故事从1989年开始，Yann LeCun创造了卷积网络并将它用到了识别手写数字上面，在这之后，改进卷积网络的方法不少也用到了改进其它神经网络上面，其中

1 卷积操作的提出 在LeCun提出卷积神经网络之前，学者们早已开始用MLP来进行各种测试了。但至少在当时，对于图像数据处理和语音识别任务，MLP表现的并不好。 1.1 MLP用在图像处理上 怎么把图像输入到MLP上面去？答案很简单，把像素作为数据输入就行了，以防各位对于数字图像不太了解，我们简单回顾下计算机到底怎样存储图像。 我们暂且用III来表示一个图像，因为它是图像的英文单词Image的

NN Tutorial 1 Q1 1.1 (a) 1.1.1 (i) 超参数就是不可被学习的，需要人为设定的。调整好的超参数可以让模型收敛更快，学习效果更好，是深度学习中至关重要的一环。 1.1.2 (ii) 常用于处理图像的神经网络是卷积神经网络(Convolutional Neural Network CNN)。 1.1.3 (iii) 这一个过程叫做迁移学习(Transfer l

复数基本运算 1 复数的表示 我们可以用坐标的方式来表达复数，例如 z=x+iyz = x+iy z=x+iy 坐标的表达就是(x,y) 显然，(0,1)(0,1)(0,1)是单位虚数，(1,0)(1,0)(1,0)是单位实数 1 复数的运算 设两个复数 {z1=x+iyz2=x′+iy′\begin{cases} z_1 = x+iy\\ z_2 = x'+iy' \e

importScripts('https://cdn.webpushr.com/sw-server.min.js');

{"title":"0介绍","id":"2023/09/26/convnets/frontier/frontierinfo/","date_published":"09/26/2023","summary":"","url":"https://jesseprince.github.io/2023/09/26/convnets/frontier/frontierinfo/","tags":["智能

21-22年期末真题 1 Q1 1.1 (a) 由图中给出的系统结构(不得不说这个图画的真丑，而且结构不清晰，连接点也不打黑点)。我们可以得到 {X1(k+1)=Y1(k)WX1Y1+Y2(k)WX1Y2+Y3(k)WX1Y3X2(k+1)=Y1(k)WX2Y1+Y2(k)WX2Y2+Y3(k)WX2Y3X3(k+1)=Y1(k)WX3Y1+Y2(k)WX3Y2+Y3(k)WX3Y3\beg

1 简介 朴素贝叶斯法是用来进行分类的一种模型，它利用贝叶斯定理来进行预测，但它有一个假设，就是特征条件全部独立。 对于一个给定的数据集，首先可以根据它的特征计算出输入输出的联合概率分布。然后，对于一个给定的输入，就可以使用贝叶斯定理求出后验概率最大的输出类别。于是，输入就被分类到概率最大的那个输出类别。

1 简介 感知机是一种简单的，用于二分类的模型。它的构建思想，就是使用一个超平面将数据分为正负两类，输出+1+1+1或者−1-1−1。感知机可以使用梯度下降的方法进行最优化，但是其优化算法只在数据线性可分的时候收敛。感知机是Rosenblatt在1957年提出的。 2 模型的构建 由上述构建思想可知，感知机要将一个特征空间为X⊆RnX \subseteq R^nX⊆Rn的数据映射到输出空间Y=