目录1，什么时候需要多个输入2，常见的多输入网络2.1 Siamese网络(孪生网络)2.1 Triplet网络1，什么时候需要多个输入深度学习网络一般是输入都是一个，或者是一段视频切片，因为大部分的内容是对一张图像或者一段视频内容进行分析。但是也有任务需要输入图像对来得到相对结果，比如检测两个图像的相似度，通过目标跟踪得到相对位置。还有些网络也可以输入多张图像进行多尺度的特征提取。比如图像检测，

1，瓶颈结构1）什么是瓶颈结构瓶颈结构就是两头宽，中间窄的网络结构，先降维然后升为维；瓶颈结构不仅增加了网络的深度同时还有效的减少了网络的参数；比较经典的应用：ResNet左边的计算如下：w*h*256*3*3*256 =589824*w*h右边的计算如下：w*h*256*1*1*64 + w*h*64*3*3*64 +w*h*64*1*1*256 = 69632*w*h结果相差大概8.5倍。在移

1，创建python3.7的环境1)首先在所在系统中安装Anaconda。可以打开命令行输入conda -V检验是否安装以及当前conda的版本。2)conda list 查看安装了哪些包3)创建Python虚拟环境。使用 conda create -n your_env_name python=X.X（2.7、3.6等） anaconda 命令创建python版本为X.X、名字为your_env

1.什么是注意力机制当我们人类在看东西时，一般会将注意力集中注视着某个地方，而不会关注全部所有信息。例如当我们一看到下面这张猫的图片时，主要会将目光停留在猫的脸部，以及留意猫的躯干，而后面的草地则会被当成背景忽略掉，也就是说我们在每一处空间位置上的注意力分布是不一样的。如下图，当需要识别的是猫咪的时候，其他绿色本经特征就是无用的。attention机制就是找到这些最有用的信息。深度学习中的注意力机

1.什么是归一化：归一化又称规范化，并不是一个完全定义好的数学操作，通常是指将数据进行偏移和尺度缩放。是数据预处理中常用的手段。一般是将输入的数据约束固定到一定的范围如【0,1】。没有固定的数学表达式，根据需求定义将数据规定到一定范围内的数学表达式；2.归一化方法的目的：实际上是通过采取不同的变换方式使各层的的输入数据近似满足独立的分布条件，并将各层的输出限定在一定的范围3.在深度学习中常用的归一

一，IMU 惯性测量单元惯性测量单元（IMU）包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中用着很重要的应用价值。IMU可获得载体的姿态、速度和位移等信息，被广泛用于汽车、机器人领域，也被用于需要用姿态进行精密位移推算的场合，如潜艇、

激活函数的作用：增加网络的非线性能力1，Sigmoid函数​特点：经过改函数作用后的值分布在【0,1】之间，导数的范围也为【0,1】之间，模拟了一个神经元随着输入不断增加从完全不激活状态到完全激活的过程；缺点：1）两端是饱和区，饱和区域内的梯度接近为0，会带来熟悉的梯度消失的问题。一旦神经元进入到饱和区，就难以继续优化；2）Sigmoid导数会变的越来越小，导致梯度越来越难回传，会降低网络的收敛的

图像分类的评价指标图像分类的概念：是一个模式分类的问题，将不同的图像（注意单位，是一张图像，最后理解的如手写体的图像集）划分到不同的类别、单标签分类问题就是每一张图都有唯一的类别；单标签分类的评价指标有：准确率(Accuracy),精确率（Precision）,召回率（Recall）,F1-score,混淆矩阵，ROC曲线和AUC；在计算这些指标之前，需要先计算几个基本的指标：TP:正样本且分类为

1.什么是注意力机制当我们人类在看东西时，一般会将注意力集中注视着某个地方，而不会关注全部所有信息。例如当我们一看到下面这张猫的图片时，主要会将目光停留在猫的脸部，以及留意猫的躯干，而后面的草地则会被当成背景忽略掉，也就是说我们在每一处空间位置上的注意力分布是不一样的。如下图，当需要识别的是猫咪的时候，其他绿色本经特征就是无用的。attention机制就是找到这些最有用的信息。深度学习中的注意力机

完成在RK3588上halcon和opencv的相互调用