你可能听说过Kaggle数据科学竞赛，但你知道Kaggle还有许多其他功能，可以帮助你完成机器学习项目吗?对于为机器学习项目寻找数据集的人，Kaggle允许你访问别人的公共数据集，并共享你自己的数据集。对于那些希望构建和训练自己的机器学习模型的人，Kaggle还提供了浏览器上notebook开发环境和一些免费的GPU时长。你也可以查看其他人的公开的notebook!除了网站之外，Kaggle还有一

原理： L1正则是基于L1范数和项，即参数的绝对值和参数的积项；L2正则是基于L2范数，即在目标函数后面加上参数的平方和与参数的积项。 区别：1.鲁棒性：L1对异常点不敏感，L2对异常点有放大效果。2.稳定性：对于新数据的调整，L1变动很大，L2整体变动不大。 答案解析 数据分析只需要简单知道原理和区别就行，公式推导不需要，面试过程中也不会出现。:逻辑回归里面，对于正负例的界定，通常会设一个阈值，

链接：https://www.cnblogs.com/LXP-Never/p/15151578.html

在过去十年中，卷积神经网络（CNNs）已证明是解决基本计算机视觉任务的非常有效的工具。神经网络的一个主要应用包括自动驾驶汽车中的实时感知系统，其中目标检测通常是一项非常重要的任务。然而，将CNNs部署到实时应用程序中会对内存和延迟造成严格限制。另一方面，最先进的检测器的性能提高通常伴随着内存需求和推理时间的增加。因此，网络模型的选择及其相应的检测性能受到严格限制。已经提出了几种技术来解决这个问题，

在这篇文章中，我们将展示如何使用一个名为Mask RCNN(基于区域的卷积神经网络)的卷积神经网络模型来进行目标检测和分割。使用mask - rcnn，我们不仅检测对象，我们还获得一个灰度或二进制mask对象。Mask rcnn最初是在2017年11月由facebook的人工智能研究团队使用Python和caffe2推出的。我们将在c++和Python中共享OpenCV代码来加载和使用模型。The

​知识蒸馏，近年来越来越受到研究界的关注。大型深度神经网络取得了显著的成功，特别是在大规模数据的真实场景中，因为当考虑新数据时，过度参数化提高了泛化性能。然而，由于移动设备的算力和存储受限，在这些设备中部署DNN模型是一个巨大的挑战。为了解决这个问题，Bucilua等人（2006）首次提出了模型压缩，将信息从大模型或集成模型转移到训练的小模型中，并且不会显著导致精度下降。从大模型中学习小模型的方法

它们都参考了FCOS的做法，将目标检测中anchor-free的思想，迁移到了实例分割的任务上。网络的具体细节不会展开讲，这里只会说到他们在解决实例分割任务时，在FCOS的整体架构上做了哪一些调整。首先讲到的是CenterMask，把这个放在最前面是因为他的想法非常直接，这个结构可以理解成 FCOS + MaskRCNN 的 mask的分支。我们可以将它和FCOS做一下对比，输入图像通过 FCOS

在过去十年中，卷积神经网络（CNNs）已证明是解决基本计算机视觉任务的非常有效的工具。神经网络的一个主要应用包括自动驾驶汽车中的实时感知系统，其中目标检测通常是一项非常重要的任务。然而，将CNNs部署到实时应用程序中会对内存和延迟造成严格限制。另一方面，最先进的检测器的性能提高通常伴随着内存需求和推理时间的增加。因此，网络模型的选择及其相应的检测性能受到严格限制。已经提出了几种技术来解决这个问题，

CUDA NMS与Torchvision NMS稍快于以上三种基于pytorch实现的NMS，但比较死板，改动不易。Cluster NMS基本可以取代Fast NMS，且与其他提升精度的方法的有机结合，使它又快又好。(目前作者团队的代码库只提供了得分惩罚法，+中心点距离，加权平均法三种。Matrix NMS也可以参考Cluster NMS的方式先得到一个与Traditional NMS一样的结果后

在上一个十年里，多任务学习网络在解决全景驾驶感知问题方面取得了优异的表现，同时实现了精度和效率的大幅提升。多任务学习框架已经成为有限计算资源条件下实时自动驾驶系统设计的主流选择。本文提出了一种有效且高效的多任务学习网络——YOLOPv2，可以同时完成目标检测、可行驶区域分割和车道检测三个任务。YOLOPv2模型在具有挑战性的自动驾驶基准数据集BDD100K 上的准确性和速度方面实现了新的SOTA。