17岁boy的博客

目录样本概念混淆矩阵理论知识概念TP、FP、FN、TN介绍概念TPFPFNTN备注关系解释Key Performance IndicatorPrecision标准介绍概念介绍样本概念介绍公式实际计算Recall标准介绍概念介绍样本概念介绍公式实际计算F1 Score标准介绍公式实际计算Recall标准介绍概念介绍样本概念介绍公式实际计算F1 Score标准介绍公

可以通过一组简单的Demo来做演示，例如摄氏度到华氏度的转换，给学习框架一组对应关系的数据，并让AI去不停的推理，经过时间的计算与推理可以发现两组数据之间的正比例关系。那么这其中是有误差的，这个误差是由谁来记录的？答案：损失函数，loss损失函数的作用就是记录这组误差，并且在无数此的学习中不停的优化误差，当误差越小，则预测结果越准确，误差就是用来做补偿的。首先我们通过一组简单的数据来讲述：上面一组是摄氏度，下面一组是华氏度-40,-10,0,8,15,22,38-40,14,32

CASIA-WEBFACE简介包含多种名人，截至目前包含10575人，494414张人脸图像，应用于随机验证。官网CASIA下载盘谷歌google - CASIAWIDDER FACE简介FD的基准数据集，393703标记人脸图像，包括分辨率、姿势、光线、表情、遮挡等情况，根据难度分级。官网google - CASIAFDDB简介作为最专业的FD验证数据集之一，5171张人脸图像，还具有灰度和颜色映射。官网FDDBAFLW简介一

前言拟合从数学图像角度来说就是将一组平面图像上的点用平滑的曲线连接起来。在深度学习中平面图像上的点就是数据特征（验证集样本特征值），然后用线将已经学到的数据特征连接起来，这样才称为拟合。拟合也分三种：正确拟合、欠拟合、过拟合。正确拟合正确拟合是将样本特征学习的非常平滑，也就是学习到的样本与验证样本特征差距不大，经过算法学习样本特征值与验证集样本特征值差距并不大如下图是一个正确拟合的数据曲线图：从上图中可以看到有许多的方块点，然后用曲线将每个原点按顺序连接在一起，但是你可.

在神经网络中卷积是最常见的操作，通常情况下它应用在神经网络的Input层后面，所以我们多数情况下称这一层为卷积层或隐藏层，这里提一句什么是隐藏层，在神经网络中有输入层和输出层，这两层对于外界是可见的，并且它接收来自外界的输入或输出到外界里去，当然一个完整的神经网络不可能只有输入层和输出层，就以CNN卷积神经网络来说当图像输入到输入层之后会被传递给下一层做特征提取下一层一般是卷积层，随后卷积层会传递给池化层，在由池化层传递给全连接层，这三层对于外界来说是不可见的，它不能直接接收外界的输入或直接输出到外界，所以

诞生概念batch-size中文翻译是批量大小，所谓的批量是指学习样本的数量，因为在训练模型时需要将样本图像全部读入到内存中，这么做的原因是提升收敛速度。如果每次读一个图像到内存然后提取特征然后在取下一张，这样有一个问题：深度学习中是随机取样本，并且每次从磁盘读出来也挺耗时的，如果这次是一张图像，下次随机取样本不能保证图像不会重复，所以最好的方式是一次性将图像全部读入内存中然后进行特征提取。但是这样就会出现一个问题，那就是内存原因，如果样本过多的情况下内存会被塞满，那么就需要一个参数来控制它，一

全连接层即：每一个节点都与上一层的节点相连，每个节点都视为一个特征点，当产生一个输入源后会对全连接层做卷积操作，卷积核多大取决于你的全连接层每层数据表有多大，全连接层里每一层都是一组数据，这组数据里包含了每次训练的结果，通俗易懂的说就是当输入一个数据后，对全连接层进行循环遍历的操作，每次遍历时对每层进行卷积运动若每层中有相似数据则记录为1，然后遍历完所有层后将所有记录值集合成一个值输出。下面用一个简单的例子来看：我们想在一个方框中识别出是否有一张猫的图片，猫的位置不是固定的，可能在方框的右上角，也可

简述MTCNN全拼：Multi-task convolutional neural network（多任务卷积神经网络），它的输出层是人脸BOX区域与五个人脸特征点，它是由三层网络架构组成：P-Net、R-Net、O-Net，每一层对应不同的工作。工作流程首先将输入的测试样本图片构建成图像金字塔，即不同尺度的图像合集，然后进行深度比较，找到最合适的尺度照片level4是最小尺度的图像直到level是最大尺度的照片，然后将level4这个尺度的照片到全连接层里进行样本比较，一直往下比直到找

收敛的意思是指某个值一直在往我们所期望的阈值靠，就拿深度学习中loss损失来做示例，如下一张图是loss在每轮训练时的一个曲线图，可以看到loss一直从一开始的1.8在往1.0降，1.0就是我们期望的阈值，而1.8是最开始loss最大损失值。可以看到在训练过程中损失值一直在往我们期望的阈值上靠近，这个曲线非常平滑，没有出现曲线一直卡在某个点不下降或突然曲线上升了（这个情况是跑飞了）的原因，如果有可能是学习率设置的问题。下图这个就是一个损失时跑飞的一个曲线图：可以看到原本下降的过程中又突然