防止忘记：https://blog.csdn.net/liuxiao214/article/details/83043197

很重要，单独放

1.init.py的在文件夹中，可以使文件夹变为一个python模块，python的每个模块对应的包中都有一个__init__.py文件的存在2.通常__init__.py文件为空，但是我们还可以为它增加其他的功能，我们在导入一个模块时候（也叫包），实际上导入的是这个模块的__init__.py文件。我们可以在__init__.py导入我们需要的模块，不需要一个个导入3.init_.py 中还有一

mAP: mean Average Precision, 是多标签图像分类任务中的评价指标。AP衡量的是学出来的模型在给定类别上的好坏，而mAP衡量的是学出的模型在所有类别上的好坏。参考添加链接描述，写的很好一 首先关注 TP\FP\FN\TNTP、FP、FN、TNTrue Positive (TP):----正确地判定为正类False Positive (FP): IoU<=阈值 的检测框

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

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