参考代码来源于：https://github.com/brightmart/albert_zh记录一下nlp开始学习的历程新的一年刚开始，就碰上了一个基本都是NLP的项目；一直想找机会学NLP，现在正好遇上了。就是项目是个硬骨头，有点难啃，好在组内有几个NLP大神带着。所以也稍微记录一下我nlp开始学习的历程。（可能有些地方理解错误、说错的，也请各位大佬帮忙指正。????）刚开始遇到的时候想从基础

深度学习目标跟踪1. 实质：通过卷积神经网络得到特征图，输出分类和位置。2. 目标跟踪的分类：① 单类多目标跟踪：MTCNN、Retinaface…② 多类多目标跟踪：RCNN、SPP-Net、Fast-RCNN/Faster-RCNN、SSD…（1） RCNN：通过聚类得到搜索框（强行缩放），在通过卷积提取特征，最后放入SVM进行分类。速度慢，准确率不高。（2） SPP-Net：主要使用了空间金

行为识别——骨架提取/人体关键点估计我们可以通过深度学习，检测到一个人，但是那个人在做什么我们不知道。所以我们就想让神经网络既检测到人，又知道他在做什么。也就是对这个人的行为进行识别。一个人的行为可以有很多种，可以跑、跳、走、跌倒、打架……有一些我们可以看第一眼就知道他在干嘛，有些我们必须看一段才知道他在干嘛。所以我们要用神经网络来识别行为，就可以分成单帧图片的识别和连续帧图片的识别。如果是单帧图

docker部署tornado项目

通过这个链接????进行复习学习。https://github.com/scutan90/DeepLearning-500-questions目标检测 two-stage目标检测（Object Detection）就是要从图像上找到目标。存在的难点主要有：同一种目标可能有不同外观、形状、姿态；同一张图片场景可能有不同的环境因素干扰（光照、遮挡、色差）；目标检测要检测目标在图像中的位置，目标可能会出

yoloV5&arcFace人脸识别yoloV4&V5已经出来几个月了啊。刚接触yolo的时候，是大三下的时候，那时候导师给了个项目，就是侦测人体加上骨架提取的一个项目。我当时也没只是想先搞个毕业设计出来。然后就查资料，找到了yoloV3，下了源码。在linux系统上跑了起来。当时最大的感受就是，我这破笔记本电脑也能跑得掉，这代码真牛逼。然后到现在的yoloV4、V5，可以看出来网

生成对抗神经网络1. 流派:GAN、FLOW流、VAE、pixeLCM、pixeLRM2.GAN（无监督）（1）判别网络用神经网络充当loss。即判别器获取输入图片（随机分布生成）和真实图片对比，利用反向传播算法使随机生成图片逼近真实图片。（2）生成网络第一次固定权重，按随机分布生成图片，放入判别器。生成的图片服从分布。（3）训练目标判别器训练：判别生成图片和真实图片的真假越来越准确。生成器训练：

语音识别基础1. 深度学习在语音领域上的应用（1）语音识别（2）语音唤醒（3）语音命令（4）声纹识别（5）生成语音2. 音频领域基本概念（1）采样率：每秒采集数据的次数。一般是8000Hz、16000Hz…采样率越高，音频损失越小。根据奈奎斯特采样定理：当采样率高于最高频率2倍以上，音频数据就不会失真。因此处理数据的采样率选择，一般只要高于最高频率2倍以上就行。（2）采样精度：每次采样数据的位数。

卷积神经网络1. 全连接与卷积神经网络的区别（1）全连接神经网络：一个神经元看一个数据，一个图片有CWH个数据，计算量大，而且前一层的信息全盘接收。（2）卷积神经网络：每个神经元可通过看一部分的局部信息得到一个结果，这些局部信息可以相互重叠。相比全连接，任务减轻了，计算量也减小了。（卷积核是通过学习自动生成的）2. 卷积神经网络参数nn.Conv2d(3,16,3,1,padding=1...

看完了尚硅谷机器学习和推荐系统项目实战教程，又觉得基础部分学的太散了。没有把大体的体系学好。因此，找来了 项亮的推荐系统实践一书。打算把知识体系梳理一遍。推荐系统冷启动问题1. 什么是冷启动问题？从前面我们知道了，基于协同过滤的推荐系统是根据用户历史行为和兴趣预测用户未来可能的行为和兴趣，所以推荐系统是在大量用户数据的基础上，才能构建的。但是一般情况下，一个新系统/软件的开发，是没有那么多用户的。