Python开发环境（IDE）

“开发环境IDE，只是解释器的一个外挂而已”

常用的开发环境：IDLE;Pycharm;wingIDE;Eclipse;IPython

>>>为“提示符”

关闭交互窗口

• Ctrl+Z和回车
• 输入quit（）命令
• 直接关闭命令行窗口

中断程序执行：Ctrl+C

IDLE是Python的官方标准开发环境

1.python是一种解释型、面向对象的语言。（龟叔发明）

• 可读性强
• 简洁
• 面向对象
• 免费和开源
• 可移植性和跨平台
• 丰富的库（标准库和扩展库）
• 可扩展性（可嵌入C和C++）

2.什么时候不应该用Python？

• 解释执行，性能较低

3.Python解释器

CPython；Jython；IronPython；PyPy

a=Student()

a.say_score()等价于Student.say_score(a)

方法得动态性这里有点绕

起始偏移量，终止偏移量，包头不包尾。

字符串就是字符序列

注意is是是否是同一个对象，==是判断值

注意命令和文件里的区别

当整型转为浮点数时，生成新的对象

对象三要素：地址（identity），类型（type），值（value）。

内置数据类型：整数，浮点数，布尔型，字符串型。

与c不同的，需要加中间变量来赋值。python可以系列解包赋值

1.解释性语言与编译性语言的区别？

2.面向对象与面向过程的区别？

3.GPU：图形处理器，是显卡的“心脏”

4.常用cpython解释器。

python中常用的序列结构有：字符串、列表、元组、字典、集合。

max和min用于返回列表中最大和最小值。

sum对数值型列表的所有元素进行求和操作，对非数值型列表运算则会报错。

元组属于不可变序列，不能修改元组中的元素。

tuple()可以接收列表、字符串、其他序列类型、迭代器等生成元组。

list()可以接收元组、字符串、其他序列类型、迭代器等生成列表。

元组的访问和处理速度比列表快。

使用divmod()函数同时得到商和余数

布尔值True转为1，False转为0

整数和浮点数混合运算时，表达式结果自动转型成浮点数。

round()可以返回四舍五入的值

“+=”中间不能加空格！

is用于判断两个变量引用对象是否为同一个，既比较对象的地址。==用于判断引用变量引用对象的值是否相等，is运算符比==效率高。

使用*可以实现字符串复制。

in/notin关键字，判断某个字符(子字符串)是否存在于字符串中。

is用于判断两个变量引用对象是否为同一个，既比较对象的地址。

==用于判断引用变量引用对象的值是否相等，默认调用对象的__eq__()方法。

整数和浮点数混合运算时，表达式结果自动转型成浮点数

round( )可以返回四舍五入的值

“+=”中间不能加空格！

IDLE是Python的交互模式，用于编写和执行Python的源文件

不要在程序中，行开头处增加空格。空格在Python中有缩进的含义。

符号都是英文符号，不是中文

#是行注释

'''是段注释

\是行连接符

del语句删除不在使用的变量

向量组的秩

所有等价线性无关组含有的向量个数相等

强化学习和生成式对抗网络

强化学习：机器学习分支；自行解决决策问题，并且能够强化连续决策；

组成部分：

1、代理；

2、环境；

3、行动；

4、奖励；

学习任务：

1、篇幅型；

有间断

2、永久型；

没有间断

学习方式：

value baed

写出一个value function，这个value function可以告诉我们每一步的未来rewards会有多大；

policy based

在这里我们希望最优化一个policy function而不是一个value funtion；

有两种policy可以选择：

Deterministic：相同state下，永远给出相同的action。简单来讲就是每次在同样的情况下作出一样的选择；

Stochastic：给出一个所有action的可能性的distribution，意思是选择具有随机性，在某些对抗性游戏中，随机决策是必须的；

GAN

生成模型；判别模型；

分类：

1、根据当前数据得到一个数据分布：数据回归；

2、根据当前的数据生成一个新的图片；

用途：

1、补缺数据；

2、数据是否符合生成的规律；

3、

最大似然机构：

生成对抗模型：

要求：必须是可导的：

DCGAN：反卷积，

由低维到达高维的；

风格转移：

循环机构，

使用空洞卷积代替空间金字塔

一、计算机视觉四种基本任务：

1、图像分类；

2、图像定位；

3、物体检测；

4、物体分割；

背后的机器学习任务：数据分类、数据回归；

实际上大部分任务都是两个：

数据分类：数据离散；

数据回归：数据是连续的；

二、经典方法：

Deformable parts model：

什么是NMS:一种post-processing方式；应用在所有目标检测里，用来删除多余的检测结果；

做法：把所有的检测结果按照分值从高到低排序，保留最高分数的box，那么保留和他距离上最近的box；

hard mining：在一个1mini-batch里，能让classifier混淆的sample，标记为hard example，用到下一轮的训练中；

深度学习的快速回顾：

n一般为2、4，一般2就已经非常大了；

λ为正则化参数，防止过拟合；

深度学习三要素：

1、首先关注模型：用什么结构；

2、在什么数据集上做？实验效果如何；

3、算法：

     a、训练过程：loss，sampling，梯度；

     b、测试过程：muitl-scale，NMS;

3、系列工作

RCNN\Fast-RCNN\Faster-RCNN详细介绍；

目标分类的主要步骤：

1、先产生一些可能含有物体的目标框；

2、在给定的目标框里进行分类；

如何产目标框：

自下而上的一种生成方法：基于SLIC

算法，仙剑个图像分割成很多小的区域，根据小区域之间的相似程度进行融合，最后结合各个尺度上的结果，产生很多region proposals；

也可以通过深度学习来生成目标框；（主要用于faster ——RCNN中的目标框）；

Rcnn家族

1、产生一个框：