另外我们这里的数据是经过z标准化处理过的，由数值有正有负可以看出，其中有Amount列没有标准化，Time是用户登记的时间，一般银行进行业务的窗口不止有一个，所以时间有一样的，这里Time并没有什么用，前面都是数据，最后target就是最后结果。选择的标准其实就是，w1权重，有三个零，这样无论未知数为多少，都为0，只有x1自己发挥作用，而w2中权重分布比较均匀，每个未知数值都能发挥其值的作用。欠拟

都很好理解，只有这个shape，v.shape这里是（5，）是对一维数组的特殊表达方式，根据对m的shape理解，（3，5）表示三行五列，或许v的shape能写为（1，5）意思为一行五列，但其实这是错误的。例如这里c变量，2和：之间的逗号意思就是分隔行和列的，整体意思就是选取0~2行不包含2，的全部列数据，这里的：如果不是数字是冒号就代表全部，再举一个例子，这里的e变量表示的就是全部行的第三列的数

这里其实就相当于搭建网络，和之前定义cnn类一个性质，加载好别人训练好的模型之后，就要把所有层w权重修改权限全部冻结，然后对最后一层（也就是我们要训练的那一层进行修改），原模型的输出是1000个神经元，但是我们食物分类里面拢共是20个类别，所以这里我们设置为20。上面是我们利用神经网络进行分类，除此之外神经网络也能进行回归，回归问题预测一般都是连续值，一般我们进行分类对训练的模型评估标准是召回率，

模型训练过程中会产生新的东西，runs文件夹使我们每一次运行保存下来的信息，及时运行没有成功也会存下来，如果运行成功并训练好了，就只需要点开runs文件夹里面最后一个exp文件夹。（注意，这里的github网站进入会有些问题，这是因为github网站是境外网站，需要加速器或者翻墙，这个问题需要自行解决，用户注册可以用qq邮箱注册，如果一直注册不成功也是因为上面原因）和v3差不多，也有不同，我们不需

这里我们需要注意的就是前面我们保存最优模型时用的是全连接而不是cnn这里我们也要保持一致，由于这里都是函数需要调用所以我们只需要改动主函数中的使用就行了，如果我们使用的是cnn那么这里就要调用的是cnn函数，前后是要保持一致的。此外model写在了优化器后面，调度器前面，这里我们使用的调度器是StepLR，比较方便。我们在训练循环最后加上这两行就是保存训练结束后最后一个模型，可以在后续预测的时候调

four_point_transform(image, pts)透视变换（拉直），这个也在透视变换中使用过，就是取出矩形边最大距离作为输出图像的宽高，并对目标定位，左上为原点（0,0），右下为（maxwidth-1，maxheight-1），然后进行矩阵变换，用源坐标（rect）和目标坐标（dst）计算单应性矩阵，进行投影矫正，这一函数总的来说就是将任意四边形区域变换为正矩形图。边界框是（x，y，

这个式子就是我们经过推导所得到的，意思是数据点要在某一侧，且距离直线（超平面）距离至少为1（为什么为1，是因为无论平面还是空间，所构造的平面坐标或者空间坐标系的刻度都是可规定的，也就相当于把间隔归一化处理了，这个也是一种数学方法）过程：对于一个分类问题svm算法是找出最优的直线，除了能分开类别之外，这里还有两个变量是相互制约的，也就是我们要根据直线找出距离最近的数据点，同时这条直线要离这些数据点距

30维度中有十个维度是两个边界框的信息数值，每个网格都会有两个预测框，每个框有五个参数数值，x、y、w、h、confidence（置信度），x、y是这个框的中心点坐标，w是宽，h是高，宽和高都会被归一化。下面这张图是四个模型的对比四个模型分别是SSD300，SSD500，YOLOv2，Tiny YOLO（Tiny代表精简版的意思）。，v1训练的时候用的是224*224，测试时用的是448*448，

在这里0~255，0表示黑色，255表示白色，120以下的值就会被处理为0，即黑色，120以上就被处理为255，即白色，就像下图第二张图显示一样，所以如果我们想要达到理想的效果就要把背景和花束二值化区别彻底。现在我们把120改为240（这里的值是需要自己慢慢去调试的），会发现花束和北京已经能很好的区别开了，但是我们队轮廓获取的时候，发现轮廓描绘把这张图片的轮廓也绘制了，这是因为opencv的一个特

也可以用图片旋转把他旋转正（这里我们需要注意，如果我们想让文字变粗，该图片二值化之后是白底黑字，用的是腐蚀，因为腐蚀是让黑色区域变大，如果我们二值化的时候就把黑白颠倒，使得图片是黑底白字，就要用膨胀，因为膨胀是让白色区域更大）排列，这里为什么不直接用x和y的值对比是因为当图片不是平行于xy的时候可能会出现排序的其他情况，这里使用x和y的相加和相减，适用于不是很严重的扭曲的四边形，而不知服务于这一张