opencv3與tensorflow的關係，各有什麼有優缺點？
opencv是計算機視覺庫，tensorflow是深度學習框架。opencv包含了大量的影象處理和計算機視覺的演算法，但是在機器學習方面明顯不足，ml模組只有svm，mlp，knn等有限的幾種演算法。dnn模組也是呼叫別的框架。tensorflow是專為深度學習而生，可以方便的實現各種深度學習演算法。二者不屬於同一領域，做視覺用opencv，做深度學習用tensorflow。或者二者結合做影象識別等等。人工智慧：讓機器具備人的思維和意識人工智慧三學派：
行為主義：基於控制論，構建感知-動作控制系統（如平衡、行走、避障等）
符號主義：基於算數邏輯表示式，求解問題時先把問題描述為表示式，在再求解表示式。
鏈結主義：仿生學，模仿神經元連線關係。（模仿神經元鏈結，如感性思維）
基於計算機視覺的人機互動一般可分為四個部分：
有沒有人；
人在哪；
這個人是誰；
這個人在做什麼；
解決的問題
目標檢測：中找到目標的位置，一般輸出目標的位置資訊
語義分割：中找到目標的位置，一般輸出目標的具體形狀掩碼
人臉識別：識別出人臉的具體類別（身份、性別年齡等屬性）
人體骨骼關鍵點檢測： 定位人在影象中的位置、人體各個關鍵點的位置
動作識別： 檢測出影象中的人在**，在做什麼
行人重識別： 以人的身體屬性識別出人的身份，不需要高的解析度
步態識別：以人的身體輪廓資訊識別出人的身份，不需要高的解析度
tensorflow
張量（tensor）：多維陣列（列表） 階：張量的維數
資料型別
建立tensor維度一維 直接寫個數
二維 用[行，列]
多維 用[n,m,j,k]
tf.random.normal(維度，mean=均值，stddev=標準差）tf.random.truncated_normal(維度，mean=均值，stddev=標準差）tf.random.uniform{維度，minval=最小值，maxval=最大值)tf.cast(張量名，dtype=資料型別)tf.reduce_min(張量名)tf.reduce_max (張量名)tf.reduce_mean(張量名，axis=操作值）tf.reduce_sum(張量名，axis=操作值）axis =0 沿縱軸方向 =1沿橫軸方向
with tf.gradienttape(
)as tape:
grad=tape.gradient(函式，對誰求導）
tf.one-hot(待轉換資料，depth=幾分類）w.assign_sub(w要自減內容）tf.argmax(張量名，axis=操作軸）
卷積神經網路（convolutional neural networks, cnn）是一類包含卷積計算且具有深度結構的前饋神經網路（feedforward neural networks），是深度學習的代表演算法之一 。
梯度消失：loss回傳時由於網路層數過多而逐漸變小，無法更新前項網路。
常用符號：
池化
神經卷積網路
優勢：alexnet能夠處理非常相似的基本構造模組，這些單元往往包含大量的隱藏單元和資料；
使用了relu啟用函式
深度學習 卷積神經網路
一 卷積神經網路基礎 二 lenet 三 常見的一些卷積神經網路 卷積層的超引數 填充和步幅。步幅 stride 每次卷積核在輸入陣列上滑動的行數與列數。多輸入與輸出通道 將3維陣列除寬高外的一維稱為通道維。1 1卷積層 包含1 1的卷積核的卷積層。1 1卷積核在不改變輸入高寬的情況下調整通道數。如...
深度學習 卷積神經網路
卷積神經網路 convolutional neural networks,cnn 是一類包含卷積計算且具有深度結構的前饋神經網路 feedforward neural networks 是深度學習 deep learning 的代表演算法之一。卷積神經網路具有表徵學習 representation ...
深度學習之卷積神經網路
卷積神經網路是一種多層神經網路，擅長處理影象特別是大影象的相關機器學習問題。卷積網路通過一系列方法，成功將資料量龐大的影象識別問題不斷降維，最終使其能夠被訓練。cnn最早由yann lecun提出並應用在手寫字型識別上 minst lecun提出的網路稱為lenet，其網路結構如下 這是乙個最典型的...