深度学习的一些原理卷积计算这个就是普通的卷积计算原理，输入有3个通道，输出有2个通道，没加激活函数等。如上图所示，输入有3个通道，输出有2个通道，也就是有2个卷积核（一个卷积核就是322）。对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！（1）参数量就是：输入通道数卷积核的宽度卷积核的高

Overfeat1 Overfeat1.1 简介1.2 结构1.3 特点1 Overfeat1.1 简介OverFeat 是早期经典的 One-Stage 目标检测的算法。这篇论文使用了很少的改动，把同一个 CNN 网络用到了三个计算机视觉的任务上（分类，定位，检测）。论文链接：https://arxiv.org/pdf/1312.6229.pdf1.2 结构https://blog.csdn.n

上下文就是图片中某个区域与周围区域的关系，在考虑某个区域图像时也要考虑它和周围图像的关系

本文只是给你个空间分析的大体概述，如果理解了这个概述，那就做空间分析没有任何问题。无非就是关注5个方面，不论是科研还是工作：（1）解决的问题，要干啥事情（2）需要的数据，数据要哪些，多大尺度（3）分析方法，方法都列出来了，选择看看哪种合适，就看视频看书看案例学着用就行了，一天怎么也学会一种方法了。（4）结果分析，得到什么结果为什么是这个结果（5）展示预测，就是做图或提建议时空统计1 时空数据1.1

深度学习发展历程的地方发

1 模型的输出基本上分为3种情况，当然还有其它的：（1）分类：2分类，多分类，对应输出为一个预测向量，可以是1个，两个，多个（2）目标检测：对应二维矩阵m*n,m行代表有m个目标，n列代表n个特征预测值，x,y,类别类型。（3）语义分割：2 二分类sigmoid输出通道维度是1，用sigmoid输出通道维度是2，用softmax3 多分类多分类用softmax，同时注意算不算背景，多分类考虑不考虑

图像大小1 一般大小都是固定的2 卷积池化层对输入图像没要求3 全连接层对输入图像有要求4 Fast R-CNN解决这个问题1 一般大小都是固定的对于一个分类或者检测模型，输入图像的大小是固定的，227227，224224，606*608.2 卷积池化层对输入图像没要求分析整个网络就会发现，卷积层和池化层是对网络的输入没有要求的，输入多大他们都一样，对输入图像有要求的只有全连接层。3 全连接层对输

网络容量越大，拟合越好，但是训练难度越大，耗时越大。

就是一个特定作用的卷积核，对应一个算法

linux中工作中打包时，下面的第1种方式g++和第2种方式cmake+make都推荐，更倾向于第2种方式。c++的2种打包方式方式一：使用g++编译器命令：第1种方式是使用g++命令，通过g++命令进行打包，但是可能需要一长串打包命令。但是对于简单的项目，打包命令就比较简单一些。方式二：使用cmake和make命令打包：编写CMakeLists.txt文件，通过cmake命令生成对应平台的mak