摘要：
MTCNN网络解读： 搭建多层级联的CNN网络，将人脸检测和识别两个任务，使用统一的级联CNN集成在一起，进行解决。 网络包括三层： 第一层PNet：通过浅层的CNN网络快速的生成候选框； 第二层RNet：通过一个更复杂的CNN网络优化人候选框，拒绝大量的非人脸候选框； 第三层ONet：最后通过一个 阅读全文
摘要：
实质理解： 训练过程： CNN在做卷积的时候，每一层的输出（可理解为形成的高维特征向量）是通过卷积的前向传播算法和反向传播算法（也就是梯度下降算法），结合真实的标签（前向传播结果与真实标签做误差）， 将前向传播的结果无限逼近具有真实标签，在此过程中不断的更新权重，形成具有真实标签类别信息的权重矩阵。 阅读全文
摘要：
一、人脸检测 二、人脸识别 - 输入：固定大小的图像 - 问题1：需要使用的网络层数更多 - 如何完成优化 - 问题2：能处理多个类的情况 - 类似于迁移学习 1、 模型1：VGGNet - 3*3 娟娟核心代替5*5的卷积 - 训练参数多 2、 模型2：GoogleNet、Inception 特点 阅读全文
摘要：
import kerasfrom keras.datasets import mnistfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activation, Flattenfrom keras. 阅读全文
摘要：
一、文本向量化 1、中文文本分词：jieba库 （深度学习中实现）如：‘ ’.join(list(jieba.cut(strs)) 2、词袋模型（Bag of words）,文本无顺序 3、CountVectorizer（词频统计） （稀疏矩阵）sklearn 中 vectorizer = t2v. 阅读全文
摘要：
P(X,Y) = P(X)P(Y|X) = P(Y)P(X|Y) P(Y|X) = [P(Y1)P(X|Y1)]/P(X) 贝叶斯公式 P(Y1):是先验概率 Y:类别 X:类别的属性， 2个假设： 假设1：假设各个属性之间是相互独立的 假设2：假设每个类的每个属性符合高斯分布 阅读全文
摘要：
相同点： SVM和KNN都是对分类数据点进行距离的计算，距离计算公式（二范数）是np.sqare(np.pow((x1-x2),2)),即根号下两点差的平方。 不同点： SVM是对支持向量的点之间进行距离的计算，而KNN是对空间内所有的点进行距离的计算 结果： SVM要比KNN分类效果一般要好，并且 阅读全文
摘要：
opencv的cv2.filter2D(src,depth,kernel,dst,anchor,detal,borderType)函数用于对图像进行滤波操作， 参数说明： src 原图像 dst 目标图像，与原图像尺寸和通过数相同 ddepth 目标图像的所需深度 kernel 卷积核（或相当于相关 阅读全文