1 损失函数损失函数：标准模型与神经网络训练出来的模型相差多少的定量表达，最小二乘法用这张图来表示处理这张图的过程，xi表示输入的图像，只有两种结果，0和1，是猫表示1不是猫表示0，输出结果yi（选用的是sigmoid函数）是（0,1）零到一之间，其得出的结论是输入一张照片经过神经网络，输入的结果是有多大的概率像猫。所以要比较xi和yi两个结果，两个结果相差越小，神经网络模型就越好。对所有的输入输

1. 卷积1.1 什么是卷积例子，f是吃进去的食物，而且还在一直消化，比如十点吃进去，十二点还剩多少，但看f函数是不够的，g函数代表消化了多少。到一般情况，在x时刻吃进去，t时刻还剩多少可以发现f和g函数里面的自变量相加会消掉其中一个，x+(t-x)=t，这也是判断是不是卷积的一个重要标志。1.2 卷积的意义、价值卷积卷在哪？**卷积的价值：**对于一个系统，输入不稳定，输出稳定，用卷积求一个系统

基于MQTT通信的ESP32桌面小电视（情侣款）

1. 卷积1.1 什么是卷积例子，f是吃进去的食物，而且还在一直消化，比如十点吃进去，十二点还剩多少，但看f函数是不够的，g函数代表消化了多少。到一般情况，在x时刻吃进去，t时刻还剩多少可以发现f和g函数里面的自变量相加会消掉其中一个，x+(t-x)=t，这也是判断是不是卷积的一个重要标志。1.2 卷积的意义、价值卷积卷在哪？**卷积的价值：**对于一个系统，输入不稳定，输出稳定，用卷积求一个系统

提出问题逻辑运算只有三个基本运算，就是与、或、非，其他的任何逻辑运算，都可以用这三个组合来实现。既然感知机能够实现与或非，为什么不能实现异或问题呢？为什么引入感知机，感知机有什么意义？1. 感知机1.1 感知机的感知机其实就是一个分类的工具，如所示：二维情况是画一条线，分界线的一端是一类，另一端是另一类。三维情况是画面感知机的数学表达式如图所示，最后输出结果感知机的含义就是：给这类分类问题一个统一

计算机视觉识别任务1. 语义分割语义分割思路1）滑动窗口但是这种方法效率太低了，重叠区域反复被计算2）全卷积但是，如果处理过程中保持原始分辨率，对于显存的需求会非常庞大…解决方案上采样？第二种方法还原的位置可能不对，引入index pooling方法，如下可学习的上采样：转置卷积例子左边下采样，右边上采样2. 目标检测1）单目标（分类+定位）2) 目标检测：多目标CNN利用滑动窗口对图像中所有可能

补充知识：1. 卷积与图像去噪对图像的卷积其中的1/9就是卷积核

1 损失函数损失函数：标准模型与神经网络训练出来的模型相差多少的定量表达，最小二乘法用这张图来表示处理这张图的过程，xi表示输入的图像，只有两种结果，0和1，是猫表示1不是猫表示0，输出结果yi（选用的是sigmoid函数）是（0,1）零到一之间，其得出的结论是输入一张照片经过神经网络，输入的结果是有多大的概率像猫。所以要比较xi和yi两个结果，两个结果相差越小，神经网络模型就越好。对所有的输入输

1. 卷积神经网络全连接神经网络的瓶颈图越大，参数越多，计算复杂，容易过拟合。卷积神经网络的主要层1.1 卷积网络中的卷积核1.1.1卷积核卷积神经网络中的卷积操作在多加几个卷积核卷积核的步长（stride）由此可见卷积后图像变小，所以要边界填充特征响应图组尺寸计算1.1.2 池化操作1.减少运算量2.增大感受野3.非极大抑制池化操作是对每一个特征响应图独立进行对应特征响应图某个区域进行池化就是在

提出问题逻辑运算只有三个基本运算，就是与、或、非，其他的任何逻辑运算，都可以用这三个组合来实现。既然感知机能够实现与或非，为什么不能实现异或问题呢？为什么引入感知机，感知机有什么意义？1. 感知机1.1 感知机的感知机其实就是一个分类的工具，如所示：二维情况是画一条线，分界线的一端是一类，另一端是另一类。三维情况是画面感知机的数学表达式如图所示，最后输出结果感知机的含义就是：给这类分类问题一个统一