数据增广数据增强增加一个已有的数据集，使得有更多的多样性在语言里面加入各种不同的背景噪音改变图片的颜色和形状使用增强数据训练一般的情况下是做随机的增强，然后生成图片，然后再进行训练常见的增强的方式几十种其他的办法总结代码实现%matplotlib inlineimport torchimport torchvisionfrom torch import nnfrom d2l import torc

第一章 数据库连接池概念：一个容器，用于存放数据库连接的容器，当系统初始化好后，容器被创建，容器会申请一些连接连接对象，当用户来访问数据库时，从容器中获取连接对象，用户访问完之后会将连接归还给容器。好处节约资源高效实现标准接口：DataSource javax.sql方法：获取连接：getConnection()归还连接：如果连接对象Connection是从连接中获取的，那么调用Connectio

区域卷积神经网络R-CNNR-CNN首先是使用启发式搜索算法来选择锚框，选出很多锚框之后，对于每一个锚框当作一张图片，使用一个预训练好的模型来对他进行特征抽取，然后训练一个SVM来对类别进行分类。使用一个线性回归模型来预测边缘框的偏移。兴趣区域(Rol)池化层上面我们得到不同的锚框，我们怎么将其变为一个batch？使用RoI Pooling：给定一个锚框，我们将它均匀的切成n×mn\times m

Reinforcement Learning1、概率论知识Random VariableRandom variable：随机变量是一个未知的量，它的值取决于一个随机事件的结果。使用大写的X表示其值。使用小写字母x来表示随机变量的观测值，小x只是一个数而已没有随机性。Probability Density Function(PDF, 概率密度函数)概率密度函数的物理意义是，随机变量在某个确定的取值点

多个输入通道参数图像可能有RGB三个通道转换为灰度会丢失信息每一个通道都有一个卷积核，结果是所有通道卷积结果的和用公式表达如下：这里cic_ici​就是输入的通道数，卷积核的个数应该和输入的通道数一样，不管我们的输入有多少个通道我们的输出都是一个通道多个输出通道无论有多少个输入通道，到目前为止我们只用到单输出通道我们可以有多个三维卷积核，每个核生成一个输出通道。比如：在RGB图片中，我们对每一个输

池化层卷积层对位置太敏感了，可能一点点变化就会导致输出的变化，这时候就需要池化层了，池化层的主要作用就是缓解卷积层对位置的敏感性二维最大池化这里有一个窗口，来滑动，每次我们将窗口中最大的值给拿出来还是上面的例子，这里的最大池化窗口为2*2填充、步幅和多个通道这里基本与卷积层类似，与卷积层不同的是，池化层不需要学习任何的参数平均池化层与最大池化层不同的地方在于将最大操作子变为平均，最大池化层是将每个

建立deep learning的三个步骤define a set functiongoodness of functionpick the best function做完这些事之后我们可以得到一个neural network。在得到neural network之后，我们需要判断神经网络的表现。一、判断神经网络的表现1.1 神经网络的表现以及解决方案首先我们需要检查，这个神经网络在我们的traini

!nvidia-smiMon Aug 16 14:23:34 2021+-----------------------------------------------------------------------------+| NVIDIA-SMI 430.26Driver Version: 430.26CUDA Version: 10.2||-------------------------

import pandas as pdimport numpy as npimport mathimport csv数据预处理# 读取数据csv文件，将csv文件保存为矩阵# 这里read_csv的作用是读取csv文件data = pd.read_csv("/Users/tiger/Desktop/study/机器学习/李宏毅机器学习/李宏毅机器学习资料/数据/hw1/train.csv", en

一、背景1.1 梯度下降先给(weight and bias)先选择一个初始的，计算的损失函数（Loss Function）设一个参数的偏微分计算完这个向量（vector）偏微分，然后就可以去更新百万级别的参数（millions of parameters）反向传播（Backpropagation）是一个比较有效率的算法，可以是我们在计算梯度向量的时候更有效率。1.2 链式法则连锁影响（可以看出x