概述在读计算机视觉的相关论文时，经常会看到平移不变性这个词，本文将介绍卷积神经网络中的平移不变性是什么，以及为什么具有平移不变性。什么是平移不变性？不变性不变性意味着即使目标的外观发生了某种变化，但是你依然可以把它识别出来。这对图像分类来说是一种很好的特性，因为我们希望图像中目标无论是被平移，被旋转，还是被缩放，甚至是不同的光照条件、视角，都可以被成功地识别出来。所以上面的描述就对应着各种不变性：

zeros()函数：用法：zeros(shape, dtype=float, order=‘C’)返回：返回来一个给定形状和类型的用0填充的数组；参数：shape:形状dtype:数据类型，可选参数，默认numpy.float64示例：

# 计算BLEU值def bleu(candidate, references, weights)# （1）私有函数，计算修正的n元精确率（Modified n-gram Precision）def _modified_precision(candidate, references, n)# （2）私有函数，计算BP惩罚因子def _brevity_penalty(candidate, refer

Git与SVN的区别：

#如果之前已经正确clone后，可以通过git pull进行同步代码，可指定分支git pull #是pull当前分支的最新代码git pull origin dev #表示fetch origin 的dev分支到当前目录,并与当前分支合并,相当于git fetch origin dev && git merge origin dev,取下来再合并git pull origin d

梯度下降法简单来说就是一种寻找目标函数最小化的方法。梯度下降法是一个最优化算法，常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。 要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点；这个过程则被称为梯度上升法。缺点靠近极小值时收敛速度减慢。直线搜索时可能

这一系列的文章回顾了1998年开始，近19年来卷积神经网络的发展概况。这篇文章介绍的网络有Inception V1、Inception V2、Inception V3、Inception V4与Inception-ResNet-V2。从2014年开始，深度学习模型在图像内容分类和视频分类方面有了极大的应用，仅仅2014这一年就出现了对后来影响巨大的VGG和GooLeNet。Inception V1

np.liealg.norm函数用来计算所谓的范数，可以输入一个vector，也可以输入一个matrix。L2范数是最常见的范数，恐怕就是一个vector的长度，这属于2阶范数，对vector中的每个component平方，求和，再开根号。这也被称为欧几里得范数（Euclidean norm）。在没有别的参数的情况下，np.linalg.norm输入一个vector，就是计算vector的长度：v