AlexNet是第一个深度卷积网络模型，赢得了2012年ImageNet图像分类竞赛的冠军，自98年的LeNet后再次将深度学习研究引热，创造性的提出了很多方法且影响至今，如使用GPU进行训练使用ReLU 作为非线性激活函数使用 Dropout 防止过拟合使用数据增强来提高模型准确率等。论文地址VGGNet是牛津大学视觉几何组(Visual Geometry Group)提出的模型，该模型在201

anchor不是候选框（Proposal），后面会提到二者的区别。我们在特征图中找一个点，就可以在原图中找到对应的一个像素点，以该像素点为中心，画出9个不同大小和长宽比的框，称为anchor。如下图所示，这些anchor里面可能包含目标，也可能没有目标。因为我们在一张图中想找的的目标的大小和长宽比并不是固定的，所以这里用9个不同大小和长宽比的anchor来进行预测。那么为什么是9个anchor呢？

AlexNet是第一个深度卷积网络模型，赢得了2012年ImageNet图像分类竞赛的冠军，自98年的LeNet后再次将深度学习研究引热，创造性的提出了很多方法且影响至今，如使用GPU进行训练使用ReLU 作为非线性激活函数使用 Dropout 防止过拟合使用数据增强来提高模型准确率等。论文地址VGGNet是牛津大学视觉几何组(Visual Geometry Group)提出的模型，该模型在201

AlexNet是第一个深度卷积网络模型，赢得了2012年ImageNet图像分类竞赛的冠军，自98年的LeNet后再次将深度学习研究引热，创造性的提出了很多方法且影响至今，如使用GPU进行训练使用ReLU 作为非线性激活函数使用 Dropout 防止过拟合使用数据增强来提高模型准确率等。论文地址VGGNet是牛津大学视觉几何组(Visual Geometry Group)提出的模型，该模型在201

anchor不是候选框（Proposal），后面会提到二者的区别。我们在特征图中找一个点，就可以在原图中找到对应的一个像素点，以该像素点为中心，画出9个不同大小和长宽比的框，称为anchor。如下图所示，这些anchor里面可能包含目标，也可能没有目标。因为我们在一张图中想找的的目标的大小和长宽比并不是固定的，所以这里用9个不同大小和长宽比的anchor来进行预测。那么为什么是9个anchor呢？

LSTM 可以学习只保留相关信息来进行预测，并忘记不相关的数据。简单说，因记忆能力有限，记住重要的，忘记无关紧要的。LSTM通过刻意的设计来避免长期依赖问题。记住长期的信息在实践中是LSTM的默认行为，而非需要付出很大代价才能获得的能力！所有RNN都具有一种重复神经网络模块的链式的形式。在标准的RNN中，这个重复的模块只有一个非常简单的结构，例如一个tanh层。激活函数 Tanh 作用在于帮助调节