1.
（神經網路的基礎功能是分類）單人姿勢識別**：convolutional pose machines，即cpm，是openpose的前身。其主要思想為通過多個stage去修正，定位響應圖，其輸入為單張，並且特徵圖和響應圖在網路中一起傳播（這句話很重要，是一起傳播），輸出為n的節點的響應圖。其網路模型如下。tensorflow實現的原始碼如下：
我覺的在這裡有必要解釋一下這個網路的思想，採用了級聯網路，使用的全卷積神經網路的思想（fcn）,fcn主要是改進卷積神經網路的全連線層為反卷積，從而進行畫素級別的影象分割。fcn網路的輸入為單張，輸出為同等大小的熱力圖。這個熱力圖可以自己定義，比如可以根據畫素區域的位置進行劃分，從而進行不同類別的畫素分類。當然也根據骨骼點的位置在相應的位置生成熱力圖去擬合。
我覺得這種解釋可能還不太準確，因此，提取一下的作者的原始碼，網路的輸入為376×376大小的影象，center map的大小為376×376和原影象大小一致，輸出為46×46×15的熱圖，15是關節點的個數，各個關節點分別計算，網路訓練時，loss的計算也是根據這個46×46×15的熱力圖來計算。
stage1: 輸入為原始368×368×3。經過stage1為46×46×15，這個大小也為最終的熱力圖的大小。
stage2：輸入為原始影象，經過卷積操作變為46×46×32大小，接下來進行乙個鏈結操作，為圖中的concat，46×46×15+46×46×32 + 46+46 × 1= 46×46×48，再經過卷積操作變為46×46。
stage3：這時候不再用原始影象作為輸入，而是從stage2中取出46×46×128的feature map進行輸入，依次進過conv層，串聯層輸出46×46×15的熱力圖。
state4:end,此時的網路結構與stage的網路結構一致。
C 指標型別識別正確姿勢
指標是c和c 中程式設計最複雜也是最有技巧的部分，但對於新手來說，指標無疑是最致命的，讓很多人望而退步。不過很多事情都是從陌生開始，然後漸漸熟悉起來的，就像交朋友一樣，得花點時間去培養感情才行。不過指標這位朋友可比較高冷，只花一點點時間恐怕不夠，得多學多練多接觸，它才會給你展示它熱情的一面。好了，廢...
如何提公升CPM的轉化
不論付費還是免費獲得的 最終目的是為了轉化 變現。為什麼公司自 的轉化比較弱，因為沒有人喜歡看硬廣，公司自 內容的定位往往像銅豌豆一樣硬的不得了。老闆要是看到你發與公司產品關聯不大的內容，多半要找你談話的，在企業負責人眼裡，公司的自 就應該發企業的各種榮譽，資質 好評，這就是俗稱的自嗨。切記，使用者...
識別C 指標型別的正確姿勢
昨天在看譚浩強的c 的時候，覺得指標這塊雖然分塊闡述 關於指標定義 指標變數 陣列與指標 字串與指標 函式與指標等有所闡述，但在分類以及如何辨別方面沒有乙個清晰的方法和思路。為了對這一塊內容有更深的理解，整理一下關於指標辨認的方法。一般情況下，指標結合性是從右到左的。從這點來看，我們首先提取出要辨認...