随着人工智能的快速发展和大数据时代的来临,数据挖掘、数据分析变得越来越重要,它们为各行各业带来了巨大的实际价值.与此同时，越来越多的机器学习算法从学术界走向工业界，而在这个过程中会有很多困难。数据不平衡问题虽然不是最难的，但绝对是最重要的问题之一。1、数据不均衡的影响数据不均衡会导致模型收敛速度减慢,并且个别类别学习的特征过少造成泛化能力偏差对于图像数据 数据不均衡的处理方法主要通过数据增强的方法

机器学习常见的分类器算法有:逻辑回归LR 支持向量机SVM 决策树DT 随机深林RF 贝叶斯算法Bayes起初设计的目的多是针对二分类问题，而我们在实际应用中总会遇到多分类问题,应该如何实现.常见的几种方法：（1）直接法，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适

在机器学习中，我们将模型在训练集上的误差称之为训练误差，又称之为经验误差，在新的数据集（比如测试集）上的误差称之为泛化误差，泛化误差也可以说是模型在总体样本上的误差。对于一个好的模型应该是经验误差约等于泛化误差，也就是经验误差要收敛于泛化误差，根据霍夫丁不等式可知经验误差在一定条件下是可以收敛于泛化误差的。　　当机器学习模型对训练集学习的太好的时候（再学习数据集的通性的时候，也学习了数据集上的特性

发展简史五年前，Generative Adversarial Networks（GANs）在深度学习领域掀起了一场革命。这场革命产生了一些重大的技术突破。Ian Goodfellow等人在“Generative Adversarial Networks”中提出了生成对抗网络。学术界和工业界都开始接受并欢迎GAN的到来。GAN的崛起不可避免。 首先，GAN最厉害的地方是它的学习性质是无监督的。GAN

Facenet主要作为特征提取工具(128的特征向量)整体逻辑：1、输入一张人脸图像2、深度卷积网络提取特征3、L2标准化4、得到一个128的特征向量主干网络MobileV1-0.25核心为深度可分离卷积替换常规卷积分类器损失函数Triplet Loss +交叉熵Triplet Loss 用于不同人脸欧式空间距离距离的扩展交叉熵 用于人脸和非人脸的作用数据集Web-face...

Darknet-53 特征提取13 x 13 每个网格点3个先验框26 x 26 每个网格点3个先验框52 x 52 每个网格点3个先验框13 13 75 -> 13 13 3 20(类别概率)1(是否有物体) 4(先验框坐标)上采样是图像维度的堆叠与Resnet的残差图像融合是不同的。其它操作和上一层的操作一样之后 完成分类和先验框的矫正。...

发展简史五年前，Generative Adversarial Networks（GANs）在深度学习领域掀起了一场革命。这场革命产生了一些重大的技术突破。Ian Goodfellow等人在“Generative Adversarial Networks”中提出了生成对抗网络。学术界和工业界都开始接受并欢迎GAN的到来。GAN的崛起不可避免。 首先，GAN最厉害的地方是它的学习性质是无监督的。GAN

1.相关背景在许多领域的研究与应用中，通常需要对含有多个变量的数据进行观测，收集大量数据后进行分析寻找规律。多变量大数据集无疑会为研究和应用提供丰富的信息，但是也在一定程度上增加了数据采集的工作量。更重要的是在很多情形下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性。如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而产生错误

基本结构W和X的计算过程尺寸计算权重共享的重要性公式下采样 Mean Max

常用指标：ACC precison recall f1_score PR AP MAP简介精度Accuracy定义：(TP+TN)/(TP+FN+FP+TN)即所有分类正确的样本占全部样本的比例精度Precision、查准率定义：(TP)/(TP+FP)即预测是正例的结果中，确实是正例的比例召回率Recall、查全率定义：(TP)/(TP+FN)即所有正例的样本中，被找出的比例P-R曲线PRC定义