梯度剪裁的原因神经网络是通过梯度下降来学习的。而梯度爆炸问题一般会随着网络层数的增加而变得越来越明显。如果发生梯度爆炸，那么就是学过了，会直接跳过最优解。例如：在反向传播中，假设第一层倒数乘以权重> 1，随着向前网络的传播的层数越多，梯度可能会越来越大。 （梯度消失相反）所以需要梯度裁剪，避免模型越过最优点。梯度裁剪的使用常见的梯度裁剪有两种确定一个范围，如果参数的gradient超过了，直

参数估计：分布类型有很多种，决定正态分布的两个参数：均值和方差。因此，参数就是决定分布的关键性数据。知道了参数，也就知道了分布的详细内容。问题来了，总体的分布类别如果我们知道了，是不是只要知道分布的参数，就能知道总体的分布详情？是的。那如何能知道总体分布的参数数值呢？这就是参数估计。即，用样本的数据来构造函数（即统计量），来估计总体参数，这就是参数估计。矩估计：用样本的矩直接作为总体矩的估计值。（

先验知识：提前验证的知识。作用：有了提前知道的知识，去更好的推断下一阶段的知识。在常规图像检测中，可以把先验知识与训练模型中fine-tunning一起理解。如果我们不用先验知识，我们去train一个人物图像检测，那么时间肯定会很长，效果也不一定好，但是我们利用先验知识，把模型中的权重替换为已知训练好模型的权重参数，边缘，轮廓等等等，那么你自己的一个task就会比之前没有先验知识训练出来速度、ut

坑！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！1.下载git,一路next就行。他会自动配置环境变量。2.pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPIok!!!!...