深度学习用于计算机视觉文章目录深度学习用于计算机视觉1、卷积神经网络简介1.1、卷积运算1.1.1、理解边界效应与填充1.1.2、理解卷积步幅1.2、最大池化运算2、在小型数据集上从头开始训练一个卷积神经网络2.1、深度学习与小数据问题的相关性2.2、下载数据2.3、构建网络2.4、数据预处理2.5、使用数据增强卷积神经网络，也叫 convnet，它是计算机视觉应用几乎都在使用的一种深度学习模型。

误差反向传播法上一章中，我们介绍了神经网络的学习，并通过数值微分计算了神经网络的权重参数的梯度（严格来说，是损失函数关于权重参数的梯度）。数值微分虽然简单，也容易实现，但缺点是计算上比较费时间。本章我们将学习一个能够高效计算权重参数的梯度的方法——误差反向传播法。要正确理解误差反向传播法，我个人认为有两种方法：一种是基于数学式； 另一种是基于计算图（computational graph）。前者是

处理文本数据我们讨论过表示数据属性的两种类型的特征：连续特征与分类特征，前者用于描述数量，后者是固定列表中的元素。在许多应用中还可以见到第三种类型的特征：文本。举个例子，如果我们想要判断一封电子邮件是合法邮件还是垃圾邮件，那么邮件内容一定会包含对这个分类任务非常重要的信息。或者，我们可能想要了解一位政治家对移民 问题的看法。这个人的演讲或推文可能会提供有用的信息。在客户服务中，我们通常想知 道一条

神经网络（深度学习）虽然深度学习在许多特定的使用场景应用中都有巨大的潜力，但深度学习算法往往经过精确调整，只适用于特定的使用场景。这里讨论一些相对简单的方法，即用于分类和回归的多层感知机（MLP），它可以作为研究更复杂的深度学习方法的起点。MLP 也被称为（普通）前缀神经网络，有时也简称为神经网络。1、神经网络MLP 可以被视为广义的线性模型，执行多层处理后得到结论。还记得线性回归的预测公式为：y

数据表示与特征工程到目前为止，我们一直假设数据是由浮点数组成的二维数组，其中每一列是描述点的连续特征（continuous feature）。对于许多应用而言，数据的收集方式并不是这样的。一种特别常见的特征类型就是分类特征（categorical feature），也叫离散特征（discrete feature）。这种特征通常并不是数值。分类特征与连续特征之间的区别类似于分类和回归之间的区别，只是

处理文本数据我们讨论过表示数据属性的两种类型的特征：连续特征与分类特征，前者用于描述数量，后者是固定列表中的元素。在许多应用中还可以见到第三种类型的特征：文本。举个例子，如果我们想要判断一封电子邮件是合法邮件还是垃圾邮件，那么邮件内容一定会包含对这个分类任务非常重要的信息。或者，我们可能想要了解一位政治家对移民 问题的看法。这个人的演讲或推文可能会提供有用的信息。在客户服务中，我们通常想知 道一条

创建表1、建表的语法格式：(建表属于 DDL 语句，DDL 包括：create drop alter)create table 表名(字段名1 数据类型, 字段名2 数据类型, 字段名3 数据类型);create table 表名(字段名1 数据类型,字段名2 数据类型,字段名3 数据类型);表名：建议以 t_或者 tbl_ 开始，可读性强。见名知意。字段名：见名知意。表名和字段名都属于标识符。2

ISTA 算法文章目录ISTA 算法1、引言2、迭代收缩阈值算法（ISTA）1、引言对于一个基本的线性逆问题：y=Ax+w\mathbf{y}=\mathbf{A}\mathbf{x}+\mathbf{w}y=Ax+w其中 A∈M×N\mathbf{A} \in M \times NA∈M×N，y∈M\mathbf{y} \in My∈M 且是已知的，w\mathbf{w}w 是未知噪声。(1)

Maven1、Maven 概述一个对 Maven 比较正式的定义是这么说的： Maven 是一个项目管理工具，它包含了一个项目对象模型 (POM： Project Object Model)，一组标准集合，一个项目生命周期（Project Lifecycle），一个依赖管理系统（Dependency Management System），和用来运行定义在生命周期阶段（phase）中插件（plugi

EL & JSTL1、JSP1.1、指令作用：用于配置 JSP 页面，导入资源文件。格式：<%@ 指令名称 属性名1=属性值1 属性名2=属性值2 ... %>分类：page：配置 JSP 页面的contentType：等同于 response.setContentType()设置响应体的 mime 类型以及字符集；设置当前 jsp 页面的编码（只能是高级的 IDE 才能生效，