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

以猫分类为例，数据是离散值，二分类每个椭圆和矩阵称为树的节点，最顶层的叫做 树的根节点；所有椭圆形除了底部的框 都成为决策节点底部的节点即这些矩形框称为 叶子节点在以下这些不同的决策树中，有些更好，有的则更差，在所有的决策树中，尝试选择一个希望在训练集中表现良好的，然后再理想情况下也可以很好地推广到新数据，交叉验证和测试集也是如此。...............

也就是说对于每个分类器来说，我扔掉的东西就一个不是人脸，不是正例，保留下来的还不确定，就这样的过程叠加若干的，每个分类器也不一样，最后剩下的才是真正的正例。就是画的框就是背景和前景的颜色分布都有了，然后找这些颜色分布找若干个聚类中心，框之外的颜色就是背景，背景也找若干个聚类中心；要做的就是在不断的迭代过程中，框住的颜色里属于背景的就会逐渐被归到框外的聚类中心上，框里面的就仅仅属于自己。梯度每落在2

以猫分类为例，数据是离散值，二分类每个椭圆和矩阵称为树的节点，最顶层的叫做 树的根节点；所有椭圆形除了底部的框 都成为决策节点底部的节点即这些矩形框称为 叶子节点在以下这些不同的决策树中，有些更好，有的则更差，在所有的决策树中，尝试选择一个希望在训练集中表现良好的，然后再理想情况下也可以很好地推广到新数据，交叉验证和测试集也是如此。...............

当训练完成后更新权重，再使用第101-200的个数据训练，直至第十次使用完训练集中的1000个数据后停止。③设置seed()的时，可以调用多次random()向该随机数的列表中添加信息；而再次使用设置的seed()值时，仅一次有效，也就是说调用第二次random()时则脱离该随机数的列表。是形状的张量(32,180,180,3)。每次只对下一次生成的随机数起作用，不同的初值生成的随机数不同，调用相

为了检测出这个 6 ×6 图像的垂直边缘，构建一个 3×3 的过滤器（filter），或者称为核，进行卷积运算 *，输出得到一个 4×4 的矩阵，里面元素的运算过程如下图所示，以第一行第一列的元素为例：这个即为：垂直边缘检测器不同编程框架下的卷积运算：python：conv_forward 函数tensorflow：tf.nn.conv2d 函数Keras：Conv2D 函数为什么这个可以做 垂直

1.1数据结构的研究内容分析问题、提取操作对象、找出关系、求解1.2基本概念和术语1.2.1概念1.数据（Data）（1）能输入计算机且能被计算机处理的各种符号的集合；（2）包括：数值型、非数值型。2.数据元素（Data element）（1）数据的基本单位，再计算机程序中通常作为一个整体进行考虑和处理；（2）也称元素 or 记录、结点、顶点；（3）一个数据元素可由若干个数据项组成。3...

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

当训练完成后更新权重，再使用第101-200的个数据训练，直至第十次使用完训练集中的1000个数据后停止。③设置seed()的时，可以调用多次random()向该随机数的列表中添加信息；而再次使用设置的seed()值时，仅一次有效，也就是说调用第二次random()时则脱离该随机数的列表。是形状的张量(32,180,180,3)。每次只对下一次生成的随机数起作用，不同的初值生成的随机数不同，调用相

一、准备1.1 设计流程1.2 规则设置1.3 布局原则1.4 布线注意事项二、概念1. 丝印：丝印层为文字层，属于PCB中的最上面一层，一般用于注释用。正确的丝印层字符布置原则是：”不出歧义，见缝插针，美观大方”。这是为了方便电路的安装和维修等，在印刷板的上下两表面印刷上所需要的标志图案和文字代号等的专用层。pcb中的丝印层包括：Top Silkscreen（顶层）、Bottom Silkscr