前言： 主要总结一下自己最近看文章和代码的心得。1. CNN用于分类：具体的过程大家都知道，无非是卷积，下采样，激活函数，全连接等。CNN用于分类要求它的输入图片的大小是固定的（其实不单单是CNN，很多其它的方法也是这样的），这是它的一个不足之处之一。目前的大部分CNN都是用来做分类比较多。2. CNN用于检测：主要的方法有两种，细分一下有三种，第一种最为简单和暴力的，

本页面收集到目前为止可以下载到的人脸数据库，可用于训练人脸深度学习模型。

来自：CVPR 2014

文章：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition来源：Technicalreport大意：通过图像金字塔来实现识别中的尺度无关性；作者：KaimingHe，Xiangyu Zhang, Shaoqing Ren, Jian Sun ,来自微软内容：

谷歌最新的人脸识别论文，FaceNet: A Unified Embedding for Face Recognition and Clustering

AlexNet 的tensorflow 实现# 输入数据import input_datamnist = input_data.read_data_sets("/tmp/data/", one_hot=True)import tensorflow as tf# 定义网络超参数learning_rate = 0.001training_iters = 200000batch_size = 6

引言如果关注Kaggle 机器学习项目的同学，一定很熟悉人脸关键点检测这个任务，在2013 年的时候，ICML举办一个的challgene，现在放在kaggle 上作为 一种最常规kaggle入门任务而存在。本文的主要目的在于验证深度学习模型在人脸点检测效果，踩踩里面的坑。任务介绍人脸关键点检测，也称之为人脸点检测，是在一张已经被人脸检测器检测到的人脸图像中，再进一步检测出五官等关键点的二维坐标信

定义：不平衡数据集：在分类等问题中，正负样本，或者各个类别的样本数目不一致。例子：在人脸检测中，比如训练库有10万张人脸图像，其中9万没有包含人脸，1万包含人脸，这个数据集就是典型的不平衡数据集。直观的影响就是，用这些不平衡的数据训练出来的模型，其预测结果偏向于训练数据中数据比较多的那一类，在人脸检测的例子中，就是检测器的检测结果大部分都偏向于没有检测到人脸图像。另外一个不平衡数据集，就是信

引言如果关注Kaggle 机器学习项目的同学，一定很熟悉人脸关键点检测这个任务，在2013 年的时候，ICML举办一个的challgene，现在放在kaggle 上作为 一种最常规kaggle入门任务而存在。本文的主要目的在于验证深度学习模型在人脸点检测效果，踩踩里面的坑。任务介绍人脸关键点检测，也称之为人脸点检测，是在一张已经被人脸检测器检测到的人脸图像中，再进一步检测出五官等关键点的二维坐标信

美团网2016校招，笔试面试