原文地址简介在python开发的过程中，经常会遇到需要打印各种信息。海量的信息堆砌在控制台中，就会导致信息都混在一起，降低了重要信息的可读性。这时候，如果能给重要的信息加上字体颜色，那么就会更加方便用户阅读了。当然了，控制台的展示效果有限，并不能像前段一样炫酷，只能做一些简单的设置。不过站在可读性的角度来看，已经好很多了。语法格式：\033[显示方式;前景色;背景色m前景色背景色颜色-------

open函数是一个工厂函数。根据传入的变量，open函数会进行文件的开启、文件对象的创建与设定，然后返回文件对象。我们来看一下指定不同变量时，open函数具体为我们返回了什么类型的文件对象呢：>>> open('Documents/me.txt')<_io.TextIOWrapper name='Documents/me.txt' mode='r' encoding='cp

首先复习下神经网络的概念。神经网络由一些相互链接的“神经元”组成。每个“神经元”有相应的权重。神经网络的神奇之处就在于权重是通过训练自动得出的。所谓训练，就是让神经网络在训练数据集上跑一遍，看看损失函数的值怎么样。如果损失函数的值足够小，小到符合我们的需求，那就说明神经网络拟合得很好了，训练大功告成了（实际上并非如此，因为仅仅知道拟合得很好并不够，我们还要知道神经网络是不是拟合得太好了，也就是过拟

上左图：假设卷积核（又叫filter，neuron）是3*3，第一层卷积核的中心pixel，可以“看到”（receptive field）输入图3*3的区域（这里把它理解成“连通性”），第二层卷积核作用在第一层之上，这个卷积核的中心pixel可以“看到”原图的区域扩大成5*5。结论：几个小的卷积核（例如3*3）叠加（stack）在一起，相比一个大的卷积核（例如7*7），与原图的连通性不变，但是却大

首先复习下神经网络的概念。神经网络由一些相互链接的“神经元”组成。每个“神经元”有相应的权重。神经网络的神奇之处就在于权重是通过训练自动得出的。所谓训练，就是让神经网络在训练数据集上跑一遍，看看损失函数的值怎么样。如果损失函数的值足够小，小到符合我们的需求，那就说明神经网络拟合得很好了，训练大功告成了（实际上并非如此，因为仅仅知道拟合得很好并不够，我们还要知道神经网络是不是拟合得太好了，也就是过拟

上采样：别名：放大图像，也叫图像插值。目的：放大原图，从而可以显示在更高分辨率的显示设备上。缺点：会对图像的质量造成影响，并没有带来更多的信息。方法：内插值。插值方法有很多，比如均值，中值，最近邻。通过这种方法，在周围像素色彩的基础上用数学公式计算丢失像素的色彩。反卷积。即通过转置卷积核的方法来实现卷积的逆过程。反池化。在池化过程，比如max-pooling时，要记录下每个元素对应kernel中的

首先复习下神经网络的概念。神经网络由一些相互链接的“神经元”组成。每个“神经元”有相应的权重。神经网络的神奇之处就在于权重是通过训练自动得出的。所谓训练，就是让神经网络在训练数据集上跑一遍，看看损失函数的值怎么样。如果损失函数的值足够小，小到符合我们的需求，那就说明神经网络拟合得很好了，训练大功告成了（实际上并非如此，因为仅仅知道拟合得很好并不够，我们还要知道神经网络是不是拟合得太好了，也就是过拟

本文转自。

首先复习下神经网络的概念。神经网络由一些相互链接的“神经元”组成。每个“神经元”有相应的权重。神经网络的神奇之处就在于权重是通过训练自动得出的。所谓训练，就是让神经网络在训练数据集上跑一遍，看看损失函数的值怎么样。如果损失函数的值足够小，小到符合我们的需求，那就说明神经网络拟合得很好了，训练大功告成了（实际上并非如此，因为仅仅知道拟合得很好并不够，我们还要知道神经网络是不是拟合得太好了，也就是过拟

这里一直隐含了一个东西，梯度也是向量（由z函数在某具体点对各个变量求偏导组成）它也是有方向的，当L射线与此时梯度方向一致时，方向导数达到最大值，也就是梯度的模。换句话说，在某个具体点上，梯度方向永远是函数上升最陡峭的方向，但是梯度的方向该如何计算呢？当单位向量的方向与梯度向量方向一致时（也就是单位向量与梯度向量的夹角θ为0°角时），z函数在某点L方向的方向导数达到最大值，最大值就是梯度的值（模）。