语言模型的核心思想是按照特定的训练方式，从语料中提取所蕴 含的语言知识，应用于词序列的预测。包括 基于规则的语言模型 和 统计语言模型•统计语言模型处于主流地位，通过对语料库的统计学习，归纳出 其中的语言知识，获得词与词之间的连接概率，并以词序列的概 率为依据来判断其是否合理。序列S={w1,w2,w3…}的概率就是：这样后面就是指数级增长，所以后面考虑N-gram，只考虑当前词的前n-1个单词。

人脸识别：PCA是经典的算法。人脸验证 / 人脸比对（Face Verification）• 1比1的比对，即判断两张图片里的人是否为同一人• 应用场景：人脸解锁• 人脸识别（Face Identification）• 1比N的比对，即判断系统当前见到的人，为数据库中众多人中的哪一个。• 应用场景：疑犯追踪，小区门禁，会场签到，客户识别传统人脸识别的主要思路是设计特征提取器，再利用机器学习算法对提

转载 https://www.cnblogs.com/Trevo/p/11795503.html对于像素级别的分类，最常用的评价指标是Pixel Accuracy（像素准确率）和Mean Inetersection over Union（平均交并比），二者的计算都是建立在混淆矩阵的基础上的–PA，MPA，MIoU，FWIoU预测正确，前面就是T，否则就是F。预测成什么，后面就是什么。很简单，只是一

写的很好的HOG方向梯度直方图(HOG)中，梯度的方向分布被用作特征。沿着一张图片X和Y轴的方向上的梯度是很有用的，因为在边缘和角点的梯度值是很大的，我们知道边缘和角点包含了很多物体的形状信息。怎么计算方向梯度直方图呢？我们会先用图像的一个patch来解释。第一步：预处理Patch可以是任意的尺寸，但是有一个固定的比例，比如当patch长宽比1:2，那patch大小可以是100200, 12825

原因可能有以下：网上查询1.Dropout的原因，测试的时候所有的神经元的权重都用上了，训练的时候部分没有了。所以测试的效果会优于训练集。可以在训练之后，通过多个测试集看效果来验证。——经过验证确实存在这种情况，尽管训练集只有0.86，后续同等测试集可达0.98。但是仍存在问题，泛化性能不够，也就是第二个原因也是可能有效。2.另外一个可能是训练集或测试集的问题！扩充训练集或者在多个测试集上测试看看

pytorch保存模型等相关参数，利用torch.save()，以及读取保存之后的文件本文分为两部分，第一部分讲如何保存模型参数，优化器参数等等，第二部分则讲如何读取。假设网络为model = Net(), optimizer = optim.Adam(model.parameters(), lr=args.lr), 假设在某个epoch，我们要保存模型参数，优化器参数以及epoch一、save先

pytorch保存模型等相关参数，利用torch.save()，以及读取保存之后的文件本文分为两部分，第一部分讲如何保存模型参数，优化器参数等等，第二部分则讲如何读取。假设网络为model = Net(), optimizer = optim.Adam(model.parameters(), lr=args.lr), 假设在某个epoch，我们要保存模型参数，优化器参数以及epoch一、save先

python staticmethod 返回函数的静态方法。该方法不强制要求传递参数，如下声明一个静态方法：class C(object):@staticmethoddef f(arg1, arg2, ...):...#!/usr/bin/python# -*- coding: UTF-8 -*-class C(object):@staticmethoddef f():print('runoob'

模式识别目的：利用计算机对物理对象进行分类， 在错误概率最小的条件下，使识别的结 果尽量与客观物体相符合机器学习：研究如何构造理论、算法 和计算机系统，让机器通过从数据中 学习后可以进行如下工作：分类和识 别事物、推理决策、预测未来等。模式识别的目标是在特征空间和解释空间中找到一种映射关系，称其为假说。特征空间：从模式得到的对分类有用的度量、属性 或基元构成的空间。机器学习的目标：针对某类任务T，

计算机视觉、机器学习、模式识别，相关性很大。怎样处理大数据量、高维数、非结构化的数据呢？• 直接在高维数据上处理； 维数灾难，所需要的样本数量随着维数的增加指数增加，模型的复杂程度指数增加。• 降维后再对低维数据进行处理； -自空间分析，通过线性或线性变换压缩到一个低维的子空间中，在低维的子空间中使样本的分布更紧凑，更加有利于分类，计算复杂度减少。• 升到更高维度上再进行处理；经典空间分析方法：1