在看深度學習資料時一直提到回歸這個詞，最近在看rcnn時又提到邏輯回歸。
1 回歸問題：
回歸分析**法，最早是在分析市場現象自變數和因變數之間相關關係的基礎上，建立變數之間的回歸方程，並將回歸方程作為**模型，根據自變數在**期的數量變化來**因變數關係大多表現為相關關係。在深度學習中，我的理解就是根據資料擬合函式以後，再**時將**的值**在（回歸到）擬合函式上，所以叫回歸。
2 邏輯回歸的定位：
首先，邏輯回歸是一種分類（classification）演算法。比如說：
邏輯回歸是網際網路上最流行也是最有影響力的分類演算法，也是深度學習（deep learning）的基本組成單元。
在神經網路中，啟用函式就是一種邏輯回歸。
我對邏輯回歸的通俗理解是，回歸就是把資料去擬合（回歸）原始的資料趨勢（所以稱為回歸）。而邏輯回歸則是在意義上（邏輯上）去擬合資料屬於哪種類，即在邏輯上去定義，去判斷，去分類。
3 聚類：
簡單地說，聚類是指事先沒有「標籤」而通過分析找出事物之間存在聚集性原因的過程。在深度學習中，應該就是非監督學習，網路通過學習，自動將特徵相同的類識別出來的過程。
分類聚類區別：
分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。 聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。4 rcnn中正負樣本：負樣本: 給定一張訓練影象 --> 形成原始的過分割區域 --> 使用本文ss方法對區域進行融合,形成一系列最可能的候選區域 --> 計算每個候選區域與真實標記區域gt之間的重合度,如果區域a與gt的重合度在20-50%之間,而且a與其他的任何乙個已生成的負樣本之間的重合度不大於70%,則a被採納為負樣本,否則丟棄a,繼續判別下乙個區域;
就是那些識別出來分錯類的樣本。
正樣本: 就是那些手工標記的樣本。
識別出來正確的樣本。
5 非極大值抑制：
從一張中找出n多個可能是物體的矩形框，然後為每個矩形框為做類別分類概率：
演算法先找出了一堆的方框，我們需要判別哪些矩形框是沒用的。非極大值抑制：先假設有6個矩形框，根據分類器類別分類概率做排序，從小到大分別屬於車輛的概率分別為a、b、c、d、e、f。
(1)從最大概率矩形框f開始，分別判斷a~e與f的重疊度iou是否大於某個設定的閾值;
(2)假設b、d與f的重疊度超過閾值，那麼就扔掉b、d；並標記第乙個矩形框f，是我們保留下來的。
(3)從剩下的矩形框a、c、e中，選擇概率最大的e，然後判斷e與a、c的重疊度，重疊度大於一定的閾值，那麼就扔掉；並標記e是我們保留下來的第二個矩形框。
就這樣一直重複，找到所有被保留下來的矩形框。
6.子取樣：
就是平時所說的池化的另一種說法。
7.region proposal與anchor的區別
經過rpn網路後產生300個 region proposal，每個根據不同比例產生9個anchor。
Linux一些常見命令及解釋
ls 顯示當前路徑下的檔案和資料夾 ls a 顯示當前路徑下的所有檔案和資料夾 包括隱藏檔案 ls l 以列表方式顯示當前路徑下檔案和資料夾的詳細資訊 ls h 以列表方式顯示當前路徑下檔案和資料夾的詳細資訊，並用合適的單位來表示檔案的大小 ls help 檢視命令幫助文件 上述a l h是ls命令...
深度學習一些學習鏈結（補充）
機器學習庫 sklearn，scikit 乙份pytorch web ml notes ml assignments 班級學霸整理，照搬的。適合新手學習，比如我。都要看得懂，各種 原始碼基本兩種都有，有的用pytorch寫有的用tf.企業招聘的要求也是一般要求精通一門框架，熟悉一門其他框架。新手可以...
關於深度學習的一些思考
問1 有監督學習中，機器學習是什麼？答1 機器學習就是先假設乙個函式，使用訓練樣本來選取最優的引數 當有新樣本時，把特徵輸入已訓練好的函式中，得到 值。問2 神經網路中，神經元的作用是什麼？答2 1 對輸入特徵進行線性加權 z w1 a1 w2 a2 w3 a3 b，其中wi是權重，ai是特徵值，b...