zhe_csdn的博客

https://www.cnblogs.com/kk17/p/9693462.html（原作者写得特别详细）

https://blog.csdn.net/luoxuexiong/article/details/95772045

https://blog.csdn.net/zhangliyao22/article/details/48379291

https://blog.csdn.net/lx10271129/article/details/78984623

https://blog.csdn.net/u011808673/article/details/105789189/

https://blog.csdn.net/weixin_44791964/article/details/103169623

https://blog.csdn.net/qq_36269513/article/details/80420363

https://blog.csdn.net/weixin_39958313/article/details/104578040

https://blog.csdn.net/bvl10101111/article/details/72615436深度学习最优化方法系列

https://www.cnblogs.com/xingshansi/p/6924911.htmlhttp://www.cnblogs.com/ChengQH/p/2dc8272d6b045b9cee3a02d221662251.htmlhttp://www.cnblogs.com/tornadomeet/archive/2012/03/23/2413363.html

假设:一组样本，个数为，正例有P个，负例有N个，算法结果:判断为正例的正例有TP个，判断为负例的正例有FN个(假的负例）P=TP+FN判断为负例的负例为TN个，判断为正例的负例有FP个（假的正例）N=TN+FP指标计算:精确度（Precision）P=所有判断为正例的例子中，真正为正例的所占的比例=TP/(TP+FP)准确率（Accuracy）A=判断正确的例子的比例=（TP+TN）...

从SNE到t-SNE再到LargeVishttp://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis/t-SNE和PCA介绍https://www.jianshu.com/p/8c20b975a174

https://blog.csdn.net/jasonzzj/article/details/62237608

https://www.cnblogs.com/nowgood/p/crelu.html

https://blog.csdn.net/dongapple/article/details/75468810

以行人检测为例，精度就是检测出来的行人中确实是行人的所占的百分比；Recall就是正确检出的行人数量占行人总数的百分比，Recall=100%表示没有漏检；这两个常常是一对矛盾，通常我们总是希望既没有虚景也不会发生漏检的情况，也就是Precision和Recall均为100%的状况...

目标识别有两大经典结构: 第一类是以Faster RCNN为代表的两级识别方法，这种结构的第一级专注于proposal的提取，第二级则对提取出的proposal进行分类和精确坐标回归。两级结构准确度较高，但因为第二级需要单独对每个proposal进行分类/回归，速度就打了折扣；目标识别的第二类结构是以YOLO和SSD为代表的单级结构，它们摒弃了提取proposal的过程，只用一级就完成了识别/回归...

https://blog.csdn.net/u011557212/article/details/60963237

https://blog.csdn.net/z1102252970/article/details/70853288

https://blog.csdn.net/l691899397/article/details/52291909Softmax回归模型是logistic回归模型在多分类问题上的推广，在多分类问题中，待分类的类别数量大于2，且类别之间互斥。比如我们的网络要完成的功能是识别0-9这10个手写数字，若最后一层的输出为[0,1,0, 0, 0, 0, 0, 0, 0, 0]，则表明我们网络的识别结果为...

一直以来对LR正则化添加的L1，L2 惩罚项没有搞清楚其意义pluskid的博客http://freemind.pluskid.org/machine-learning/sparsity-and-some-basics-of-l1-regularization/#67364f6b44ff80f9f952d5a46f2307425d2ee9ac让我明白了一直以来的疑问，对数据量非常少，特征非常...