预测过程：使⽤选择性搜索的⽅法从⼀张图⽚中提取2000个候选区域，将每个区域送⼊CNN⽹络中进⾏特征提取，然后送⼊到SVM中进⾏分类，并使⽤候选框回归器，计算出每个候选区域的位置。候选区域较多，有2000个，需要剔除掉部分检测结果。针对每个类，通过计算IOU,采取⾮最⼤值抑制NMS的⽅法，保留⽐较好的检测结果。训练阶段多，训练耗时： 微调CNN⽹络+训练SVM+训练边框回归器。预测速度慢: 使⽤G

预测过程：使⽤选择性搜索的⽅法从⼀张图⽚中提取2000个候选区域，将每个区域送⼊CNN⽹络中进⾏特征提取，然后送⼊到SVM中进⾏分类，并使⽤候选框回归器，计算出每个候选区域的位置。候选区域较多，有2000个，需要剔除掉部分检测结果。针对每个类，通过计算IOU,采取⾮最⼤值抑制NMS的⽅法，保留⽐较好的检测结果。训练阶段多，训练耗时： 微调CNN⽹络+训练SVM+训练边框回归器。预测速度慢: 使⽤G

神经网络中信息只向一个方向移动，即从输入节点向前移动，通过隐藏节点，再向输出节点移动，网络中没有循环或者环。其中的基本构件是：输入层：即输入x的那一层输出层：即输出y的那一层隐藏层：输入层和输出层之间都是隐藏层特点是：同一层的神经元之间没有连接。第N层的每个神经元和第N-1层的所有神经元相连(这就是full connected的含义)，第N-1层神经元的输出就是第N层神经元的输入。每个连接都有一个

K近邻(K-nearst neighbors, KNN)是一种基本的机器学习算法，所谓k近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。比如：判断一个人的人品，只需要观察与他来往最密切的几个人的人品好坏就可以得出，即“近朱者赤，近墨者黑”；KNN算法既可以应用于分类应用中，也可以应用在回归应用中。KNN在做回归和分类的主要区别在于最后做预测的时候的决策方式不同。KN

为了让虚拟机里的centos 7系统和我的windows 10共享剪贴板和文件夹，在centos里安装 VMware Tools参看教程：啦啦啦但是无脑安装，最后一步可能会出现选择yes或者直接回车默认就直接把刚刚装了半天的VMware Tools直接卸载了，这波VMware的蜜汁操作真是让人看不懂选择no就可以安装成功了。...