1.神经网络复杂度神经网络的复杂度基本都是用NN层数和NN参数的个数表示空间复杂度：层数=隐藏层的层数+1个输出层，下图为2层的NN总参数 = 总w + 总b上图第一层：3x4+4个参数（三个输入，4个神经元，4个偏置b）上图第二层：4x2+2所以总参数是：3x4+4+4x2+2=26时间复杂度：乘加运算次数左图：3x4+4x2=202.参数迭代更新学习率小了训练很慢，学习率大了会跳过最优解。因此

1.神经网络理解神经网络：采集大量（花萼长、花萼宽、花瓣长、花瓣宽，对应的类别）数据对构成数据集吧数据喂入搭建好的神经网络结构，网络优化参数得到模型，模型读入新输入特征，输出识别结果。MP模型是由每一个输入特征和线上的权重求和，在通过一个非线性函数输出。2.损失函数损失函数是指：预测值（y）与标准值（y_）的差距。损失函数可以定量判断W,b的优劣，当损失函数输出最小时，参数W,b会出现最优值。目的

from torchvision import datasets, transformsfrom torch import nn, optimfrom torch.utils.data import DataLoaderimport torchfrom torch.autograd import Variable# step1：定义超参数，并进行初始化batch_size = 64learn_ra

1.图像分割概述图像分割指根据灰度、纹理、形状等特征把图像分割为若干个互不交叠的区域，并使图像在同一区域内呈现出相似性，在不同区域内呈现明显的差异性。基于阈值基于区域基于边缘基于小波变换基于神经网络基于能量基于概率统计基于特定理论1.基于阈值的分割基本思想：给定合适的灰度阈值，将图像中各个像素的灰度值和阈值作比较，将每个像素划分到合适的类别中。优点：思想简单、运算效率高（并行区域技术）难点：图像结

在图像分割与抠图（1）和（2）中说到的图像分割的方式都是机器学习的方法，分水岭算法是基于图像图像形态学和结构的方法来进行图像的分割。基于机器学习的方式本质是通过概率统计与建模，通过数学的方式对图像进行分割与分类。分水岭算法是通过图像本身的特征对图像进行分割与分类。1.分水岭算法概述1.1.分水岭算法的理解分水岭（Watershed）是基于地理形态的分析的图像分割算法，模仿地理结构（比如山川、沟壑，

接了一个垃圾的单子，做一个机器学习的分类，分别用SVM，决策树、随机森林，再做一个超参数调优，import pandas as pddata = pd.read_csv('./Sup2.csv')#datadata = data.T# print(data.info)data = data.reset_index()data = data.rename(columns={'index':'targ

一、概念界定平滑与模糊即失去焦点，致使看不到图像的细节，也就是说像素点与周围像素点混合了，在边缘检测方面很有用处，常用的

1.深度学习过程概述

为了方便开发者应用，PyTorch专门开发了一个视觉工具包torchvision，主要包含以下三个部分：1.model

目录1.封装的意义1.1封装的意义一：1.2 封装的意义二2.struct和class区别3.成员属性私有化4.示例15.示例21.封装的意义封装是C++面向对象三大特征之一将属性和行为作为一个整体，表现生活中的事物将属性和行为加以权限控制1.1封装的意义一：将属性和行为作为一个整体，表现生活中的事物语法：class 类名{访问权限：属性/行为};专业术语：类中的属性和行为统一称为成员，类中的属性