在图像分类这边使用one-hot编码没有问题，一般来讲一个物体对应一个名词，就存在一种“一一对应”关系。但是在视频这边比如“open the door”对应就是一个短语，对应三个单词，另外，open这个动词可以描述很多动作。这时就有一个trade off（折中），标记很多类，人工标注成本提高，softmax效果也不好，常规的分类算法可能表现都很差。只标注大类，就无法预测细粒度的小类。最理想的方法就

目录1.高斯分布：2.卡方分布：3.t分布4.t-SNE（t-Distributed Stochastic Neighbor Embedding）（1）在高维空间构建一个概率分布拟合高维样本点间的相对位置关系。（2）在低维空间，也构建一个概率分布，拟合低维样本点之间的位置关系。5.SNE的缺点以及解决措施1.高斯分布：2.卡方分布：若n个相互独立的随机变量， 均服从标准正态分布（独立同分布于标准正

当我们需要处理不同的问题或者我们使用网上一些python2版本的代码时。通过创建多个环境并根据需求切换使用是非常方便的。下面我们就介绍如何创建一个新的python环境并为其配置包。

目录1.前言2.定义3.Beat分布的概率密度函数（PDF）：4.Beat分布的累积密度函数（CDF）：1.前言伯努利试验（同样的条件下重复地、相互独立地进行的一种随机试验，其特点是该随机试验只有两种可能结果：发生或者不发生）频率学派的观点（出现次数最多的情况体现了概率的分布），体现了后验Gamma函数：阶乘在实数域的推广。2.定义对于掷硬币或投色子这样的简单模型，我们可以预先明确概率分布情况。但

目录1.前言2.定义3.Beat分布的概率密度函数（PDF）：4.Beat分布的累积密度函数（CDF）：1.前言伯努利试验（同样的条件下重复地、相互独立地进行的一种随机试验，其特点是该随机试验只有两种可能结果：发生或者不发生）频率学派的观点（出现次数最多的情况体现了概率的分布），体现了后验Gamma函数：阶乘在实数域的推广。2.定义对于掷硬币或投色子这样的简单模型，我们可以预先明确概率分布情况。但