1. 超参数（hyperparameter）在机器学习中，超参数是在开始学习过程之前设置值的参数。定义关于模型的更高层次的概念，如复杂性或学习能力。不能直接从标准模型训练过程中的数据中学习，需要预先定义。可以通过设置不同的值，训练不同的模型和选择更好的测试值来决定。一些示例：树的数量或树的深度矩阵分解中潜在因素的数量学习率深层神经网络隐藏层数k-means聚类中的簇数2. 网格搜索网格搜索法本质上

SRCNN：一种用于单图像超分辨率的深度学习方法

1.REDRED-Net(very deep Residual Encoder-Decoder Networks)，即非常深的残差编码器-解码器网络。RED-Net的结构是对称的，每个卷积层都有对应的反卷积层。卷积层在消除损坏的同时捕获图像内容的抽象，反卷积层则对特征图进行上采样和恢复图像细节。每一组镜像对应的反卷积层有着跳跃连接结构，将两部分具有同样尺寸的特征做相加处理。这解决了两个问题：1）当

ESPCN：加入亚像素卷积层的神经网络

FSRCNN——SRCNN的改进版

1. sklearn介绍scikit-learn, 又写作sklearn, 是一个开源的基于python语言的机器学习工具包. 它通过numpy, Scipy和 Matplotlib等python数值计算的库实现的算法应用, 并且涵盖了几乎所有主流机器学习算法.在工程应用中, 用python手写代码来从头实现一个算法的可能性非常低, 这样不仅耗时耗力, 还不一定能够写出构架清晰, 稳定性强的模型.

0 引言随着深度学习领域中各类算法的迅速发展，卷积神经网络（CNN）被广泛应用在了分类任务上，输出的结果是整个图像的类标签。在生物医学领域，医生需要对病人的病灶区域进行病理分析，这时需要一种更先进的网络模型，即能通过少量的图片训练集，就能实现对像素点类别的预测，并且可以对像素点进行着色绘图，形成更复杂、严谨的判断。于是U-Net网络被设计了出来。1 U-Net概念及原理U-Net网络结构最早由Ro

深度学习之神经网络（一）在前面文章中，我们已经系统了解了神经网络的部分概念，以及如何去搭建一个简单的神经网络模型。这篇文章我将主要讲解损失函数、反向传播等神经网络知识。1. 损失函数之前我们已经提到，损失函数就是用来计算我们的结果与真实值之间的误差，从而指导进一步的训练向正确的方向进行。损失函数可以分为两大类：回归、分类。1.1 回归损失1.1.1 MAE（Mean Absolute Error）

2021秋第七周周报内容1. 概述支持向量机(Support Vector Machine, 也称为支持向量网络)是一种二分类模型.它源于统计学习理论, 是一个强学习器.从分类效力来看, SVM无论在处理线性还是非线性分类中, 都是明星般的存在:从实际来看, SVM在各种实际问题中也都具有不错的表现. 它在手写识别数字和人脸识别中应用广泛, 在文本和超文本的分类中举足轻重, 因为SVM可以大量减少

残差超分辨率网络