在LSTM-based RNN编码器中，训练模式（Training Mode)和流式推理模式（Streaming Inference Mode）是两种完全不同的工作方式。理解它们的区别对于正确使用模型至关重要。训练模式用于学习模型参数，处理完整的音频序列，通过反向传播优化网络权重。特点批量处理多个完整样本需要计算梯度使用随机性（Dropout、RandomCombine）提高泛化能力高吞吐量，高延

1、什么是梯度梯度是一个向量，表示某一函数在该点处的方向导数沿该方向取得最大值，即函数在该点处沿着该方向变化最快，变化率最大。2、什么是梯度下降梯度下降是一个最优化的算法，用来递归性地逼近最小偏差模型，核心思想是按照梯度相反的方向，不停地调整函数权值，步骤为：1）求损失函数值2）损失是否最够小，如果不是，计算损失函数的梯度3）按梯度的反方向走一小步（调整权重，wi=wi+δwiw_i = w_i

文章目录目标检测（Object Detection）一、基本概念1. 什么是目标检测2. 目标检测的核心问题3. 目标检测算法分类1）Tow Stage2）One Stage4. 目标检测应用1）人脸检测2）行人检测3）车辆检测4）遥感检测二、目标检测原理1. 候选区域产生1）滑动窗口2）选择性搜索① 什么是选择性搜索② 选择搜索流程③ 选择搜索优点2. 数据表示3. 效果评估4. 非极大值抑制三

1）什么是决策树？决策树的核心思想是：相似的输入必然产生相似的输出。决策树通过把数据样本分配到树状结构的某个叶子节点来确定数据集中样本所属的分类。决策树可用于回归和分类。当用于回归时，预测结果为叶子节点所有样本的均值。2）决策树的特点①优点简单易懂，容易解释，可视化，适用性广。可用于分类、回归问题。②缺点容易过拟合。数据中的小变化会影响结果，不稳定。每一个节点的选择都是贪婪算法，不能保证全局最优解

机器学习-03机器学习-03决策树基本算法原理集合算法AdaBoost模型（正向激励）GBDT自助聚合随机森林机器学习-03决策树基本算法原理核心思想：相似的输入必会产生相似的输出。例如预测某人薪资：年龄：1-青年，2-中年，3-老年学历：1-本科，2-硕士，3-博士经历：1-出道，2-一般，3-老手，4-骨灰性别：1-男性，2-女性年龄学历经历性别==>薪资1111==>6000（低

二元分类1）什么是二元分类？二元分类又称逻辑回归，是将一组样本划分到两个不同类别的分类方式。2）如何实现二元分类逻辑回归属于广义线性回归模型，使用线性模型计算函数值，在通过逻辑函数将联系值进行离散化处理。逻辑函数又称sigmoid函数，表达式为：y=11+e−ty = \frac{1} {1+e^{-t}}y=1+e−t1​该函数能将(−∞,+∞)(-\infty,+\infty)(−∞,+∞)的

1）归一化是指归纳同意样本的统计分布性，归一化在0-1之间是统计概率分布，归一化在-1----+1之间是统计的坐标分布。2）归一化处理的目的为了后面数据处理方便，归一化可以避免一些不必要的数值问题。为了程序运行时收敛加快。统一量纲。样本数据的评价标准不一样，需要对其量纲化，统一评价标准。3）什么是批量归一化，其优点是什么？批量归一化是指在神经网络中间层也进行归一化处理，使训练效果更好的得到更好优点

1）什么是A/B测试?A/B测试就是两种模型同时运行，并在实际环境中验证其效果的方式。在互联网公司中，A/B测试是验证新模块、新功能、新产品是否有效，新算法、新模型的效果是否有提升，新设计是否收到用户欢迎，新更改是否影响用户体验的主要测试方法。在机器学习领域中，A/B测试是验证模型最终效果的主要手段。2）为什么需要A/B测试？离线评估无法完全消除模型过拟合的影响，因此，得出的离线评估结果无法完全替

激活函数：神经网络中将输入信号的总和转换为输出信号的函数，激活函数将多层感知机输出转换为非线性，使得神经网络可以任意逼近任何非线性函数，使神经网络可以应用到众多的非线性模型中。常用的激活函数及特点：1）sigmoid① 定义：sigmoid函数也叫Logistic函数，用于隐层神经元输出，能将(−∞,+∞)(-\infty,+\infty)(−∞,+∞)的数值映射到(0,1)的区间，可以用来做二分

1）什么是激活函数，为什么要用激活函数？激活函数，指神经网络中将输入信号的总和转换为输出信号的函数，激活函数将多层感知机输出转换为非线性，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。2）神经网络中常用的激活函数有哪些，各自有什么特点？（1）sigmoid①定义：sigmoid函数用于影藏层神经元输出，能将数值映射到(0,1)区间，可用来做二分类，表达式为：f