选择性搜索（Selective Search, SS）方法是通过图像中的纹理，边缘，颜色等信息对图像进行自底向上的分割，然后对分割区域进行不同尺度的合并，在合并过程中，每生成一个新的区域就产生一个候选框，区域肯定是不规则，我们通过选取区域的最大外接矩阵作为候选框区域，这种方法速度较慢；普通池化固定的是操作，处理后的尺寸是动态的；由于神经网络操作需要输入的尺寸一样才能进行一些常规的算法操作，而框定的

传统的词向量表示其位置是固定了，不会因为上下文语句不同而产生变化，但是在日常生活中，一词多义是非常常见的，例如“apple”这个词，既可以表示苹果，也可以表示公司；这篇论文解决了单词的一词多义问题，即词的位置可以通过上下文的不同而发生改变；ELMo具有深层次的网络结构，其使用了多层的LSTM，这比仅仅使用单层LSTM层显著提高了性能；同时由于LSTM是循环神经网络，其可以捕捉单词意义的上下文；大量

网上配置这一堆那一堆，特别乱，找了好久整理后发在这里由于既想打游戏又想做深度学习，不舍得显卡性能白白消耗，这里尝试使用笔记本连接主机OpenSSH 最初是为 Linux 系统开发的，现在也支持包括 Windows 和 macOS 在内的多种操作系统。

第一版的内容，第二版还包含了 RabbitMQ 在 Scrapy 中的使用，后续有时间修改

scrapy 使用介绍

总结

Ajax 数据爬取，过滤条件是 xhr

我们在特征图展开为特征序列这一步骤中，将原始特征图切割成不同的小块，理想情况是不同小块分别顺序对应目标字符串中某一字符，由于图片的无规则性以及感受野的存在，这种情况是不现实的，目标字符串中的字符很有可能被不同的块分别对应，这会导致字符串重复的情况出现，因此我们需要对齐预测序列和真实序列，在检测到文本位置后，我们提取出文本图片，将文本图片转化为同一大小格式，接着我们需要执行将文本图片转化为字符串任务

选择性搜索（Selective Search, SS）方法是通过图像中的纹理，边缘，颜色等信息对图像进行自底向上的分割，然后对分割区域进行不同尺度的合并，在合并过程中，每生成一个新的区域就产生一个候选框，区域肯定是不规则，我们通过选取区域的最大外接矩阵作为候选框区域，这种方法速度较慢；普通池化固定的是操作，处理后的尺寸是动态的；由于神经网络操作需要输入的尺寸一样才能进行一些常规的算法操作，而框定的

这套模板我也试过其他大学，小改一下应该是可以通用的，编码花费1个多小时，奶奶滴！听课去咯。