图像预处理实际就是一个图像增强的过程：空间域：点运算：就是基于直方图对图像整体的色差进行调整，对一个点颜色进行调整，跟周围或多或少也有点关系形态学运算：腐蚀、膨胀临域运算：每个点跟他周围的点进行比较或一块进行计算把空间域映射到频率域，对于我们这里来说，意义就是快速计算卷积傅里叶变换小波运算。

A svm分类后概率为 0.98，B 概率为 0.86，通过对边界框进行IOU计算，大于我们设定的阈值说明是同一个目标，就把概率低的删掉。这里应该就是二值交叉熵损失，如果是softmax，对于是前景的概率应该也是更大的概率，而不是0.1这种，pi就是目标的概率。[u≥1] 的意思是：当 u 满足 ≥1时，这一项 = 1，当u不满足≥1时，就是对应背景时，这一项 =0。2000个框，每个框都得到40

简而言之，循环神经网络带有上一次网络输出的“记忆”，即 当前网络的隐藏层的输入不仅和它的输入层有关，还和上一网络隐藏层的输出有关深度学习之RNN(循环神经网络)_笨拙的石头的博客-CSDN博客_rnn。.........

新增三个变量：JAVA_HOMExxx分别指向不同版本jdk的目录要变更版本时修改JAVA_HOME的值：如上述修改为%JAVA_HOME131%或%JAVA_HOME201%在path中添加如图所示。博主在修改完一、二后出现java和javac版本不一致问题且无法切换版本后发现可能是因为：在当前用户下修改的，而不是在系统变量中修改；如下如所示，就是我是在上面的用户变量中修改的，所以当我在下面的系

A svm分类后概率为 0.98，B 概率为 0.86，通过对边界框进行IOU计算，大于我们设定的阈值说明是同一个目标，就把概率低的删掉。这里应该就是二值交叉熵损失，如果是softmax，对于是前景的概率应该也是更大的概率，而不是0.1这种，pi就是目标的概率。[u≥1] 的意思是：当 u 满足 ≥1时，这一项 = 1，当u不满足≥1时，就是对应背景时，这一项 =0。2000个框，每个框都得到40

图像预处理实际就是一个图像增强的过程：空间域：点运算：就是基于直方图对图像整体的色差进行调整，对一个点颜色进行调整，跟周围或多或少也有点关系形态学运算：腐蚀、膨胀临域运算：每个点跟他周围的点进行比较或一块进行计算把空间域映射到频率域，对于我们这里来说，意义就是快速计算卷积傅里叶变换小波运算。

一个无线控制直升飞机的例子通过强化学习算法进行控制，直升机甚至可以倒飞强化学习中，我们将直升机的位置、方向和速度等称为状态s，所以任务是找到一个函数，将直升机的状态映射到动作a，这意味着按顺序推动两个控制杆的距离，保持直升机在控中的平衡和飞行而不会坠毁。也可以使用监督学习，但对于正在飞的直升机而言不是一个好方法但可以有一个专业的飞行员告诉我们什么是最好的行动，然后可以使用监督学习来训练神经网络，直

简而言之，循环神经网络带有上一次网络输出的“记忆”，即 当前网络的隐藏层的输入不仅和它的输入层有关，还和上一网络隐藏层的输出有关深度学习之RNN(循环神经网络)_笨拙的石头的博客-CSDN博客_rnn。.........

CPU注重的是单线程的性能，要保证指令流不中断，需要消耗更多的晶体管和能耗用在控制部分，于是CPU分配在浮点计算的功耗就会变少。CNN是一种带有卷积结构的前馈神经网络，卷积结构可以减少深层网络占用的内存量，其中三个关键操作——局部感受野、权值共享、池化层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。② 图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。CPU有大量的缓存结构

CPU注重的是单线程的性能，要保证指令流不中断，需要消耗更多的晶体管和能耗用在控制部分，于是CPU分配在浮点计算的功耗就会变少。CNN是一种带有卷积结构的前馈神经网络，卷积结构可以减少深层网络占用的内存量，其中三个关键操作——局部感受野、权值共享、池化层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。② 图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。CPU有大量的缓存结构