DDRNet用于道路场景的实时分割模型，模型基本流程如下图所示，网络经过一个主干模块后分为两个具有不同分辨率的平行分支，一个分支保持较高的分辨率另一个分支则通过多阶段下采样操作获得丰富的语义信息，两个分支的信息融合则通过双向桥接模块完成，模型最后还添加了一个DAPPM模块增加感受野以提取更丰富的语义信息。

本节为吴恩达教授机器学习笔记第二部分:逻辑回归与分类(1)-逻辑回归参数更新规则推导，包括：逻辑回归提出的背景，选用sigmoid函数的原因，极大似然方法推导参数更新规则，最后附上逻辑回归的pytorch实现以及核心的python代码。1. 逻辑回归  忽略标签数据离散的事实用线性回归算法解决二值分类问题，效果差而且对于不在[0,1]区间的值也没有意义，为此重新构建hθ(x)h_{\theta}(

本节为opencv数字图像处理（10）：图像复原与重建的第三小节，逆滤波、维纳滤波、约束最小二乘方滤波和几何均值滤波，主要包括：四种滤波复原图像的数学推导以及维纳滤波的C++实现。

本节为吴恩达教授机器学习课程笔记第十一部分，因子分析，针对对于样本数量少，特征维度高的数据建模，主要包括：样本数量远大于特征维度时使用高斯分布建模的问题，对协方差矩阵的两种限制条件，多元高斯联合分布的边缘分布和条件分布，因子分析模型的形式化定义和通俗理解，以及使用EM算法求解因子分析模型，最后附上使用因子分析解决实际问题的python代码实现。

本节为吴恩达教授机器学习笔记第一部分:线性回归最后一部分，包括：最小化J的统计学推导以及局部加权线性回归（含代码及一个应用例子）。​## 3. 统计学解释  假设输入与目标变量有如下关系：  其中ϵ(i)\epsilon^{(i)}ϵ(i)是一个误差项，用于捕获没有建模的影响因素，或者是随机噪音。更进一步地，假设该项独立同分布，并且符合正态分布，则有：  也就是说：  这个记号表示的是给定x(i)

本节为吴恩达教授机器学习课程笔记第七部分，最优模型选择，主要包括：模型选择方法、特征选择方法以及贝叶斯统计的部分知识。具体地，有留存法交叉验证和k-折交叉验证、启发式地前向和后向特征搜索策略、过滤器特征选择策略以及贝叶斯最大后验估计。

本节为吴恩达教授机器学习课程笔记第三部分，广义线性模型（2）构建广义线性模型，包括最小均方算法、逻辑回归，着重介绍softmax的推导，并给出softmax的核心代码以及pytorch实现。2. 构建GLMS广义线性模型  考虑一个分类或者回归问题，我们希望得到一个x的函数，来计算随机变量y的值。为了推导出一个广义线性模型，我们给出这样三个假设：给定x和θ\thetaθ，我们假定y的分布服从参数为

本节为吴恩达教授机器学习笔记第二部分:逻辑回归与分类(2)-感知机学习算法与逻辑回归的区别,牛顿方法。2. 感知机学习算法与逻辑回归的区别  区别1：这两位都是线性分类器，但是逻辑回归使用对数损失函数，而感知机使用的是均方损失函数(即错误点到分离平面的距离，最小化该值)。  区别2：逻辑回归的激活函数也与感知机不同，前者是sigmoid函数，后者是一个阶跃函数：  这就导致逻辑回归连续可导，使得最

本节为吴恩达教授机器学习课程笔记第七部分，最优模型选择，主要包括：模型选择方法、特征选择方法以及贝叶斯统计的部分知识。具体地，有留存法交叉验证和k-折交叉验证、启发式地前向和后向特征搜索策略、过滤器特征选择策略以及贝叶斯最大后验估计。

本节为opencv数字图像处理（8）：频率域滤波的第五小节，使用频率域滤波器进行图像的平滑与锐化，主要包括：理想低通/高通滤波器，巴特沃斯低通/高通滤波器、高斯低通/高通滤波器、频率域拉普拉斯算子、高频强调滤波器以及同态滤波的介绍和C++实现。