deepid網路結構是香港中文大學的sun yi開發出來用來學習人臉特徵的卷積神經網路。每張輸入的人臉被表示為160維的向量，學習到的向量經過其他模型進行分類，在人臉驗證試驗上得到了97.45%的正確率，更進一步的，原作者改進了cnn，又得到了99.15%的正確率。
如下圖所示，該結構與imagenet的具體引數類似，所以只解釋一下不同的部分吧。
上圖中的結構，在最後只有一層全連線層，然後就是softmax層了。**中就是以該全連線層作為影象的表示。在全連線層，以第四層卷積和第三層max-pooling的輸出作為全連線層的輸入，這樣可以學習到區域性的和全域性的特徵。
多層卷積後感受野的計算
參考 原始中的roi如何對映到到feature map?曉雷的文章 知乎 如圖，map3為map1經過了5 5和7 7卷積後的feature map，假設map1是原始，那麼map3上的1個畫素的感受野是多少？答案是11 11 最開始我以為是35 5 7 但是沒考慮到map2上的7 7feature...
1 從多層感知機到卷積神經網路
答案是必然的，但是dnn有不少缺點，為此引入cnn。一般情況下，影象資料比較大，意味著網路的輸入層維度也比較大。當然可以對其進行處理，即使這樣，假設處理完後影象變為2562563的彩色圖，即輸入的維度的值為196608。那麼後面的隱藏層的神經元個數自然也能太少，假設為1024。僅僅一層的鏈結就有高達...
mybatise多層集合巢狀查詢 3層
1，用乙個sql，多個resultmap 一般另起乙個子map，不直接在collection中再套 每個子項都需要id才可避免子項自身被覆蓋，永遠1條 例如 id id id select p.id,p.code,p.name,p.long name,p.description,p.type,p.s...