知乎 batch normalization原理與實戰
csdn 常用啟用函式（激勵函式）理解與總結
卷積神經網路系列之softmax loss對輸入的求導推導
在機器學習尤其是深度學習中，softmax是個非常常用而且比較重要的函式，尤其在多分類的場景中使用廣泛。他把一些輸入映 射為0-1之間的實數，並且歸一化保證和為1，因此多分類的概率之和也剛好為1。首先我們簡單來看看softmax是什麼意思。顧名思義，softmax由兩個單詞組成，其中乙個是max。對於max我們都很熟悉，比如有兩個變數a,b。如果a>b，則max為a，反之為b。用偽碼簡單描述一下就是if a > b return a; else b。
另外乙個單詞為soft。max存在的乙個問題是什麼呢？如果將max看成乙個分類問題，就是非黑即白，最後的輸出是乙個確定的變數。更多的時候，我們希望輸出的是取到某個分類的概率，或者說，我們希望分值大的那一項被經常取到，而分值較小的那一項也有一定的概率偶爾被取到，所以我們就應用到了soft的概念，即最後的輸出是每個分類被取到的概率。
卷積神經網路保證「位移、尺度、形變不變性」該怎麼理解？
resnet, alexnet, vgg, inception: 理解各種各樣的cnn架構
【模型解讀】inception結構，你看懂了嗎
resnet到底在解決乙個什麼問題呢?
先看rnn梯度消失和**的原因的前半部分，再看lstm如何解決梯度消失問題的大部分。
《attention is all you need》淺讀（簡介+**）
一文看懂 attention（本質原理+3大優點+5大型別）
從seq2seq到attention模型到self attention（一）這篇部落格看前面的一些再聯絡一下《attention is all you need》淺讀（簡介+**）就行。
影象卷積和池化操作後的特徵圖大小計算方法
1. 深度學習——優化器演算法optimizer詳解（bgd、sgd、mbgd、momentum、nag、adagrad、adadelta、rmsprop、 adam）
2. 優化演算法optimizer比較和總結
基礎深度學習目標檢測
rcnn、fast rcnn、faster rcnn、ssd、yolov1、yolov2和yolov3
一文看懂深度學習模型壓縮和加速(就看了結構優化和剪枝)
mobilenet v1 和 mobilenet v2
focal loss的簡單理解
為了保證正負樣本盡量平衡，ssd採用了hard negative mining，就是對負樣本進行抽樣，抽樣時按照置信度誤差（**背景的置信度越小，誤差越大）進行降序排列，選取誤差的較大的top-k作為訓練的負樣本，以保證正負樣本比例接近1:3。
採用two stage的方式，用rpn先篩一遍。
就比如密集場景下的行人檢測任務，上述的目標檢測均不能得到很好的結果，由於人與人之間的遮擋，和人群分布的多樣性，就算擬合能力無限強這樣只會導致過擬合，在訓練集上的效果好。這些演算法無法解決兩個同類之間的邊框的偏移和nms的誤殺情況。
深度學習: 從 roipooling 到 roialign，同時需要知道線性差值和雙線性差值的區別和相同點，三十分鐘理解：線性插值，雙線性插值bilinear interpolation演算法
深度學習筆記（3）——cnn中一些特殊環節的反向傳播
目標定位和檢測系列（3）：交並比（iou）和非極大值抑制（nms）的python實現， 目標檢測的標準的nms
iou、giou、diou、ciou損失函式的那點事兒
soft nms演算法筆記
1. crowdhuman+double anchor：強強聯合，推動密集行人檢測技術落地
影象處理方法，影象處理：中值濾波&均值濾波，高斯濾波器原理及其實現和一文了解高斯濾波器，附原理及實現過程
如何通俗易懂地解釋卷積？
數學形態學之二值形態學（腐蝕、膨脹、開閉運算）基本原理
canny運算元邊緣檢測原理及實現
【機器學習】線性回歸原理推導與演算法描述
線性回歸原理和實現基本認識
神經網路bp演算法求導-手動推導
深度學習：sigmoid函式與損失函式求導
機器學習演算法--邏輯回歸原理介紹
機器學習中正則化項l1和l2的直觀理解
【整理】深入理解拉格朗日乘子法（lagrange multiplier) 和kkt條件
特殊的倒數反向傳播relu pooling
矩陣乘法次數的計算過程
特徵圖尺寸和感受野計算詳解
【五分鐘機器學習】adaboost：前人栽樹後人乘涼
bagging和boosting的區別（面試準備）
機器學習-一文理解gbdt的原理-20171001
主成分分析（pca）原理詳解
場景文字檢測—ctpn原理與實現
一文看懂整合學習（詳解 bagging、boosting 以及他們的 4 點區別）
機器學習100道筆試題
計算機視覺面試常見問題（含解答）
計算機視覺 深度學習基礎
與神經網路的區別 傳統一般三層以內，深度可達上千層 傳統通常是全連線，深度形式多樣 共享權值，跨層的反饋等 目標函式 均方誤差 交叉熵 交叉熵能在深度學習模型下快速提高精度 為了避免交叉熵出現0，使用softmax層來突出最大值並轉換成概率 激勵函式 sigmoid relu 當神經元一層層疊加之後...
計算機視覺 深度學習知識點總結
每秒處理影象的幀數 每秒浮點運算次數 每秒峰值速度。10億次 每秒是衡量處理器計算能力的指標單位 roi pooling 根據輸入image，將roi對映到feature map對應位置 將對映後的區域劃分為相同大小的sections sections數量與輸出的維度相同 對每個sections進行...
計算機視覺與深度學習公司
深度學習是大資料下最熱門的趨勢之一。上乙個十年是網際網路的時代，下乙個十年將是人工智慧的時代。國內已經產生大量的人工智慧公司，分布在不同的領域。2016年是人工智慧的元年，2017年將迎來 人工智慧 的春天。未來幾年也是人工智慧在金融 醫療 教育等大資料行業以及感知互動領域全面滲透的時期，我們正迎來...