WideDeep 模型是Google在2016年提出的，在业界具有非常大的影响力，模型由单层Wide部分和多层的Deep部分组成的混合模型。Wide 体现 “记忆能力” 主要是模型直接学习并利用历史数据中物品或者特征的“共现频率”能力。而Deep部分体现 “ 泛化能力 ” 主要是根据特征发掘甚至从未出现过的稀有特征与最终标签相关性的能力。 再简单理解就是Wide部分采用简单的线性回归模型，直接发掘

和前面的模型结构上都是大差不差的,但是FM归根结底还是个二阶特征交叉的模型,NFM在在Embedding层后添加 特征交叉池化层 用于对 Embedding向量两两计算元素积操作,并对交叉特征向量求和,得到池化层的输出向量。（可能描述不清楚，可以参考下面论文给出的计算过程）再把该向量输入上层的多层全连接神经网络，进行进一步的交叉。对比前面的DeepFM模型，讲二阶特征交叉部分由并行结构改为了串联的

背景故事：《深度学习推荐系统》中在介绍这一部分的内容时，给的标题是： 从深度学习的视角重新审视矩阵分解模型。个人觉得这句话非常非常精准，哈哈哈。。。LFM作为CF的实现方法一种，根据 user-item 关系矩阵，找到表征 用户特征、物品特征的隐向量，再通过 内积 的计算方式确定用户和物品直接的关系（相似度？）。这里面主要有两块内容，第一是求解隐向量（或者说描述用户和物品的特征向量？）；第二是用户

协同过滤仅仅使用有限的用户行为信息，逻辑回归算法模型大多引入用户行为、用户特征、物品特征和上下文特征等，从CF逐步过渡到综合不同特征的机器学习模型。（1）逻辑回归模型将用户特征（年龄、性别等）、用户行为（收藏、浏览等）、物品特征（属性、描述等）和上下文特征（当前时间、地点等）转化成数值型特征向量；以点击率为优化目标；利用已有数据进行训练学习模型参数；利用学习完成的模型进行推理预测用户点击率。代码编

平移线扫重建 matlab代码，包含相机标定、光平面标定与方案、移动装置标定与方案、激光线条中心线自适应亚像素提取、畸变矫正、三维重建、点云滤波等部分，代码按模块编写，注释完整，附带一份完整苹果表面扫描数据，处理277张300w像素图片仅耗时15秒，测量精度0.1mm。

相机标定时常会使用标定板进行标定，常用的标定法有张正友老师的平板标定，常用的标定板有棋盘标定板和圆盘标定板，但是很多地方使用TSAI两步标定法时会使用自制的标定靶标吗，例如我们采用的按规则排序的十字靶标，拍摄得到的实物如下：方法一: Hough 直线检测求交点为了得到各十字中心的坐标，常用的方法为使用hough直线检测，得到横竖的所有直线的表达式并通过交点解...

协同过滤仅仅使用有限的用户行为信息，逻辑回归算法模型大多引入用户行为、用户特征、物品特征和上下文特征等，从CF逐步过渡到综合不同特征的机器学习模型。（1）逻辑回归模型将用户特征（年龄、性别等）、用户行为（收藏、浏览等）、物品特征（属性、描述等）和上下文特征（当前时间、地点等）转化成数值型特征向量；以点击率为优化目标；利用已有数据进行训练学习模型参数；利用学习完成的模型进行推理预测用户点击率。（2）

见链接，注意给定是RGB的，所以想直接用到opencv注意反过来使用即可。https://tool.oschina.net/commons?type=3

鉴于网上找了半天没找到原版的题目，去coursera上面给搬过来了，自行下载吧！链接：https://pan.baidu.com/s/1ySVeRMbrtkfyA6wvj8CZcA提取码：a05aPS：如果链接失效，欢迎评论l留言找我更新！...