Nvidia自带了一个 nvidia-smi的命令行工具，会显示显存使用情况，结合watch命令就可以实时监测显卡使用情况。

KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。

人脸检测技术的突破发生在2001年，两位杰出的科研工作者Paul Viola和Michael Jones设计了出了一个快速而准确的人脸检测器：在获得相同甚至更好准确度的同时，速度提升了几十上百倍——在当时的硬件条件下达到了每秒处理15张图像的速度，已经接近实时速度25fps（即25帧每秒）。

Stitcher类与detail命名空间OpenCV提供了高级别的函数封装在Stitcher类中，使用很方便，不用考虑太多的细节。低级别函数封装在detail命名空间中，展示了opencv算法实现的很多步骤和细节，使熟悉如下拼接流水线的用户，方便自己定制。可见OpenCV图像拼接模块的实现是十分精密和复杂的，拼接的结果很完善，但同时也是费时的，完全不能够实现实时应用。我在研究detail源码时，由

ResNet 6大变体：何恺明,孙剑,颜水成引领计算机视觉这两年

人脸检测的任务就是判断给定的图像上是否存在人脸，如果人脸存在，就给出全部人脸所处的位置及其大小。由于人脸检测在实际应用中的重要意义，早在上世纪70年代就已经有人开始研究，然而受当时落后的技术条件和有限的需求所影响，直到上世纪90年代，人脸检测技术才开始加快向前发展的脚步，在新世纪到来前的最后十年间，涌现出了大量关于人脸检测的研究工作，这时期设计的很多人脸检测器已经有了现代人脸检测技术的影子，例如可

考察深度学习基础知识的45道题目（附答案）

一般情况下，使用ReLU会比较好1、使用 ReLU，就要注意设置 learning rate，不要让网络训练过程中出现很多 “dead” 神经元；2、如果“dead”无法解决，可以尝试 Leaky ReLU、PReLU 、RReLU等Relu变体来替代ReLU；3、不建议使用 sigmoid，如果一定要使用，也可以用 tanh来替代。

2006年，Hinton提出了在非监督数据上建立多层神经网络的一个有效方法，该方法分为两步，一是每次训练一层网络，二是调优，使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致：1、首先逐层构建单层神经元，这样每次都是训练一个单层网络。2、当所有层训练完后，Hinton使用wake-sleep算法进行调优。

Tensorflow是Google推出的机器学习开源平台。Google发布了Tensorflow playground（Tensorflow游乐场）。地址：http://playground.tensorflow.org。而有了Tensorflow游乐场，我们就可以在浏览器中训练神经网络，同时可以修改各种超参数，以图像化的方式更直观地了解到神经网络的工作原理。