经典的边缘检测方法是对原始图像中像素的某小邻域来构造边缘检测算子。常用的边缘检测方法有Roberts算子、Sobel算子、Prewitt算子、Scharr算子、Kirsch算子、Laplacian算子、LOG 算子、Canny算子等。 以下是opencv 边缘检测（reberts,sobel,prewitt,kirsch）http://blog.csdn.net/haozivv/

1. transpose或permute造成内存不连续。2. 切片操作造成内存不连续。

将find_unused_parameters改成False之后，如果出现模型有些参数未参与loss计算等错误。或者，乘以0与模型的loss进行相加，使未用到的参数也参入了loss计算。可以用环境变量来debug查看log。可以将这些未用到的参数注释掉。代码上可以用以下方法查看。

1.前言一般提到特征值分解(eigenvalue decomposition)或者奇异值分解(singular value decomposition)，大多数同学脑海里的第一反应就是一大堆矩阵以及数学计算方法。确实，学校学习阶段，不管是学线性代数或者矩阵分析，对于这部分内容，或者说绝大部分内容，老师一上来都是吧啦吧啦给你一堆定理推论或者公理，然后就是哗啦哗啦一堆公式出来，告诉你怎么计算。

先说一下linear的形式y = a * x + b;   则x与y呈线性变化关系同理可以扩展至sub-linear亚线性y = a * x ^ 0.5 + bsuper-linear超线性y = a * x ^ 2 + b再具体一些：如果如果随着x的增大，y的增大速度减小（一阶导数），那x与y呈亚线性。如果如果随着x的增大，y的增大速度

非参数估计：已知样本所属的类别，但未知总体概率密度函数的形式，要求我们直接推断概率密度函数本身。非参数估计的方法主要有：直方图法、核方法。Parzen窗估计属于非参数估计的核方法的一种。在数学上一个连续概率密度函数p(x)的需满足以下的条件：1、x在a和b之间的概率为:window概率密度估计" title="Parzen window概率密度估计" sty

master_addr：master节点的ip地址，也就是0号主机的IP地址，该参数是为了让 其他节点 知道0号节点的位，来将自己训练的参数传送过去处理。-master_port：master节点的port号，在不同的节点上master_addr和master_port的设置是一样的，用来进行通信。命令中的【–master_addr=‘172.18.39.122’】指的是0号机器的IP，在0号机器

SCAPE: 人体模型SMPL: 人体模型SMPL-H: 人体+手SMPL-X: 人体+手+人脸（FLAME）STAR: SMPL的改进版人体模型主要思想是将pose, shape解耦，用参数化的方式描述人体表面的信息。SCAPE：基于三角面片deformable的人体模型。SMPL：基于点云deformable的人体模型。SMPL使用点云deformable的方式更适合skining blend

RANSAC的函数接口 参照opencv来说主要需要3-4个参数（第四个不是必须的）1. 误差阈值ransacThreshold：区分inlier和outliner的依据2. 置信度confidence：设置之后代表RANSAC采样n次过程中会出现（至少一次）采样点数据集中的点都为内点的概率这个值设置的太大，会增加采样次数。太小，会使结果不太理想。3. 最大采样迭代次数maxIte

以下是neon的指令速查包含部分的neon和SSE的对应关系#ifndef __ARM_NEON__#error You must enable NEON instructions (e.g. -mfloat-abi=softfp -mfpu=neon) to use arm_neon.h#endif/*(1)、正常指令：生成大小相同且类型通常与操作数向量相同的结果向量；