/***********************************Java概论章节*************************************/java跨平台原理解释:java之所以可以跨平台执行，在于java虚拟机（JVM）的引入。java源代码都是先被编译成字节文件（也就是.class文件），然后放到不同平台上用虚拟机进行解释执行。不同的操作系统有与之对应的

1、一个web项目中要使用bmob云数据库，具体出问题的地方是在js中读取Bmob云数据库的数据时，具体操作是根据bmob官网（http://docs.bmob.cn/data/JavaScript/a_faststart/doc/index.html）提示步骤做的，具体如下：（1）先下载JavaScript对应的Bmob的SDK包，地址为：http://www.bmob.cn/downloa

注意：以下所区分的32位系统和64位系统都是针对Linux而言的。一般注意32位系统中，short为3字节，int是4字节，float为4字节，double是8字节，指针占用4字节等就可以，64位除了指针占用8字节，其他与32位相同。但注意，16位机器与32位有较大区别，如Int占用2字节，指针占用2字节等。1、在学习C++编程前，首先来重复一个基本的问题：程序由什么组成？答：

以下问题是在Ubuntu下用faster rcnn(caffe与matlab)训练时所遇到的，我的解决方法不见得对其他人都使用：1、错误使用 containers.Map/values，此容器中不存在指定的键。出错 roidb_from_voc>attach_proposals (line 172)gt_classes = class_to_id.values({voc_rec.objec

现在，官方版开源代码终于来了。同时发布的，是这项研究背后的一个基础平台：Detectron。官方地址：https://github.com/facebookresearch/DetectronDetectron是Facebook的物体检测平台，今天宣布开源，它基于Caffe2，用Python写成，这次开放的代码中就包含了Mask R-CNN的实现。除此之外，Detectron还包含了ICCV 20

经典反向传播算法公式详细推导卷积神经网络(CNN)反向传播算法公式详细推导网上有很多关于CNN的教程讲解，在这里我们抛开长篇大论，只针对代码来谈。本文用的是matlab编写的deeplearning toolbox，包括NN、CNN、DBN、SAE、CAE。在这里我们感谢作者编写了这样一个简单易懂，适用于新手学习的代码。由于本文直接针对代码，这就要求读者有一定的CNN基础，可以参考Lecun的

深度学习识别与定位的应用：http://www.cnblogs.com/jianzhitanqiao/p/5550344.html

说明：此处暂时简单介绍下各种特征提取算法，后续完善。前言：模式识别中分类器进行分类识别时，判断的依据就是图像特征。最简单的你可以把整幅图像的像素矩阵作为图像特征进行训练和判断分类，但毕竟该特征太过简单并不是都适用，所以下面介绍一下各种分类器训练所需要特征的提取算法，如LBP、不变矩、小波矩。1、LBP特征提取算法答：LBP（Local Binary Patterns，局部二值模式）是提

机器学习1、SVM分类器答：SVM算法就是找一个超平面，并且它到离他最近的训练样本的距离要最大。即最优分割超平面最大化训练样本边界。如下图所示，就是将两种不同类别的样本特征分隔开，且分割面要在最优分隔位置：注意：1）两个虚线称为间隔边界，两个虚线间的距离Gap就称为分类间隔（margin），大小为2/||w||，||w||表示向量的二范数也就是该向量的模；例如，

转载自：http://www.cnblogs.com/rainsoul/p/6247779.html首先将这个问题分为分类问题与检测问题两个方面进行理解：（1）在分类问题中，这个问题相对好理解一点，比如人脸识别中的例子，正样本很好理解，就是人脸的图片，负样本的选取就与问题场景相关，具体而言，如果你要进行教室中学生的人脸识别，那么负样本就是教室的窗子、墙等等，也就是说，不能是与你要研究的问题