深度学习”指的是训练神经网络。

接下来我们符号化一下表示，首先将x和y放在一起，x表示某张图片的特征向量，y表示分类结果，将所有的样本图片和与其对应的分类结果放在一块，即可组成数量为m的训练集，然后将所有x特征向量按列依次放入一个矩阵中即可组成一个X，表示待分类的图片特征数据矩阵，在Python语言中X.shape = (nx,m)，分类完成后，结果矩阵Y，表示所有分类结果数据，在Python语言中Y.shape = (1,m)

也叫双曲正切函数，函数值介于-1和1之间，这个激活函数的平均值更接近于0，这就有了很明显的去数据中心化的效果。不管是sigmoid函数还是tanh函数，都有一个明显的缺点，那就是当自变量的绝对值很大的时候，函数值的变化趋近于一条直线，也就是函数的斜率接近于0，这样会拖慢梯度下降算法。下面我们把以上分析总结到一张图上，并将隐藏层的四个节点进行向量化处理，处理以后，每个节点的向量运算就变成了矩阵运算，

神经网络是给定一些训练数据然后进行一系列的运算再传导给后面的结点继续进行运算，而人的大脑中的神经元的树突也会接收一系列信号，然后当信号到达一定的阈值的时候会传导信号给后面的神经末梢，这只是一个简单的说明，实际上人类大脑中的神经元远比这个复杂的多，但是不得不说，人类在研究神经网络和深度学习以及各种应用比如计算机视觉、自然语言处理的过程中一定程度上受到了人脑和生物神经元的启发。把输入特征a[0]，放入

最近学习了以下 bilibili 博主刘二大人的PyTorch深度学习实践，做成笔记方便回顾并且分享给大家。

实时时钟是一个独立的定时器。RTC模块拥有一组连续计数的计数器，在相应软件配置下，可提供时钟日历的功能。修改计数器的值可以重新设置系统当前的时间和日期。RTC模块和时钟配置系统(RCC_BDCR寄存器)处于后备区域，即在系统复位或从待机模式唤醒后， RTC的设置和时间维持不变。复位后，对备份寄存器和RTC的访问被禁止，并且备份域被保护以防止可能存在的意外的写操作。执行以下通过设置寄存器RCC_AP

这样可以大大提高滑动窗口的效率。这是一个非极大值抑制的例子，大概过程是这样的，首先，我们先去除 pc <= 0.6 的边界框，然后逐一检测剩余的边界框，首先在剩下的边界框中挑选出 pc 最大的，然后对于除了这个框之外的和这个框的 IoU > 0.5 的边界框再次进行去除，重复上述过程，知道只剩下 pc 最大的边界框，这就是非极大值抑制的大致过程。下面，我们来学习目标检测，它是计算机视觉系统中一个新

使用 ESP8266 连接 OneNET 云平台，并通过 MQTT 协议上传 DHT11 获取的温湿度值。

main.cled.cled.hbeep.cbeep.hkeyboard.ckeyboard.hlock.clock.holed.coled.hw25q128.cw25q128.hpassword.cpassword.htimer.ctimer.htasks.ctasks.hadc.cadc.hfan.cfan.hbluetooth.cbluetooth.hvoice.cvoice.hdht11.

main.cled.cled.hbeep.cbeep.hkeyboard.ckeyboard.hlock.clock.holed.coled.hw25q128.cw25q128.hpassword.cpassword.htimer.ctimer.htasks.ctasks.hadc.cadc.hfan.cfan.hbluetooth.cbluetooth.hvoice.cvoice.hdht11.