调整超参数重要程度最重要：学习率 α；(或者说 学习率r)其次重要：β：动量衰减参数，常设置为 0.9； # from 动量梯度下降各隐藏层神经元个数n；# hidden unitsmini-batch 的大小；再次重要：β1，β2，ϵ：常设为 0.9、0.999、10−810−8； # fromAdam优化算法神经网络层数L;# layersdecay_rate：学习衰减率；搜索方法：随机搜索法

https://gitee.com/bijingrui1997/quantitative_trading_notes

目标定位输出表示Pc = 1 表示 有东西存在，具体是什么东西，要看c1 c2 c3；损失函数对于Pc = 1，这个列向量8个元素，每个元素都要与训练集里面的真实值去比较，最终得出比较结果。对于Pc = 0，这个列向量8个元素，只用第一个元素就可以了。特征点检测神经网络可以像标识目标的中心点位置那样，通过输出图片上的特征点，来实现对目标特征的识别。在标签中，这些特征点以多个二维坐标的形式表示。比如

笔记1：https://blog.csdn.net/greatxiang888/article/details/104304277笔记合集：https://blog.csdn.net/greatxiang888/category_9717679.html

GROUPBY-- 三行： 10 20 30SELECT deptnoFROMempGROUP BY deptnoSELECT deptno, avg(sal) as '部门平均工资'FROMempGROUP BY deptno-----先按部门分组，再按职称分组HAVING 【对分组后的信息进行过滤】SELECT deptno ,avg...

通过Excel导入数据/通过反射读取注解

【若依vue框架学习】1.登录的逻辑

【若依vue框架学习】4.获取登录用户信息（getInfo）

序列模型RNN 属于一种 序列模型上一章节说的是CV，我们想到了CNN 。 --卷积神经网络（Convolutional Neural Networks）这个章节说的是智能语音相关，我们想到了RNN。 --循环神经网络(Recurrent Neural Network)例子语音识别情感分类DNA序列分析机器翻译视频活动识别人名识别序列模型的数据集明显的不同点：每个样本的长度 可能不同。例子：输入是

计算机视觉一般的计算机视觉问题包括以下几类：图片分类（Image Classification）；目标检测（Object detection）；神经风格转换（Neural Style Transfer）。输入可能会非常大一张 1000x1000x3 的图片，神经网络输入层的维度将高达300万，使得网络权重 W 非常庞大。导致：神经网络结构复杂，数据量相对较少，容易出现过拟合；所需内存和计算量巨大。