低通滤波器的运算使图像中的细节和高频信息受到抑制，从而可以减少图像中的噪声并平滑图像。然而，需要注意的是，低通滤波器会使图像的细节丢失，因此需要根据具体应用场景来选择合适的滤波器和参数。高通滤波可以应用于许多图像处理任务，比如图像增强、边缘检测等。但需要注意的是，高通滤波可能会增加图像中的噪音，因此在应用高通滤波时需要根据具体的应用场景和图像特点进行调整。

这次我们学习了目标检测一些基本概念，了解了yolo相关知识，后面我们将进行更多目标检测知识讲解，学习yolov3的使用，想要更快了解可以到百度飞浆平台。

采用开源的对联数据集couplet-clean-dataset，该数据集过滤了 couplet-dataset中的低俗、敏感内容。这个数据集包含70w多条训练样本，1000条验证样本和1000条测试样本。下面列出一些训练集中对联样例：上联：晚风摇树树还挺下联：晨露润花花更红src,trg,embed_dim,pad_id))

在二元分类问题中，精确度指被正确分类为正类别的样本数与被分类为正类别的所有样本数的比率，召回率指被正确分类为正类别的样本数与真实正类别样本总数的比率。在训练集上训练出二分类模型后我们将测试集中的数据输入模型，这时我们可以计算得到这些数据属于某个类别的概率，将这些预测概率从小到大排列，然后将分类阈值依次设为[0，1]区间中不同的概率值并计算这时的准确率和召回率，最后将这些准确率和召回率在二维坐标系中

本文介绍了深度学习中循环神经网络（RNN）的基本知识点，包括RNN的原理、应用场景以及使用Python和TensorFlow库实现简单RNN的代码示例。RNN作为一种具有记忆能力的神经网络模型，在序列数据处理中具有重要的应用价值。接下来我们将通过rnn模型来进行更多有趣的实战。

对比度拉伸函数的作用是将原始图像的灰度值映射到0到L−1的范围内，这样可以使得图像中的像素值更加均匀地分布在整个灰度级范围内，从而增强图像的对比度。对比度拉伸函数是一种用于增强图像对比度的方法，也被称为灰度变换。它可以将图像中像素值较低和较高的区域拉伸到较佳的亮度范围内，从而增加图像的对比度。其中，f(x,y)表示原始图像中像素(x,y)的灰度值；min和max分别是图像中所有像素的最小灰度值和最

本文介绍了深度学习中循环神经网络（RNN）的基本知识点，包括RNN的原理、应用场景以及使用Python和TensorFlow库实现简单RNN的代码示例。RNN作为一种具有记忆能力的神经网络模型，在序列数据处理中具有重要的应用价值。接下来我们将通过rnn模型来进行更多有趣的实战。

TensorFlow 是一个功能强大的机器学习框架，具有广泛的应用和活跃的社区支持。在使用 TensorFlow 进行机器学习和深度学习开发时，需要掌握一些基本概念和技术，例如：张量：TensorFlow 中的基本数据类型，它们是多维数组，可以表示各种类型的数据。计算图：TensorFlow 的计算模型，它由一系列节点和边组成，每个节点代表一个操作，边代表张量的流动。变量：TensorFlow 中