建立一个基类：

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：

感受野

某一层的计算节点对应原图的计算范围

SIFT特征点的结构

1、特征点的坐标位置；

2、特征点的描述；

步骤：

1、特征提取；

2、取特征点的聚类中心；

对于特征点较多，那么就可以将特征点取中心点，然后后对每个聚类中心点进行·对比；

LSH:

随机投影

深度学习——卷积神经网络

卷积原始输入：图像

卷积模板：卷积核；

检验相似性和相关性；

神经网络的组成：

1、输入层；

2、卷积层；

特征提取，要计算出各个层之间的参数个数以及层与层之间的输入输出；

3、非线性变换层；

4、池化层；

最大池化层、平均池化层

5、输出层；

INPUT-->[[(CONV+RELU)*n--->POOL]*M--->[FC--->RELU]*K--->FC

避免过拟合：迁移学习

迁移学习：将其他网络的前几层网络，只训练后面的基层网络；

学习过程中学习率要比较小；

什么时候用：

1、当两个任务较为相近时；

2、当前的训练数据较少的时候；

数据集：交叉训练；

调参的主要参考

损失值；

准确率

调参对象：

学习率；

batchsize：调到GPU刚刚够用；

计算机视觉——实践加强

聚类算法：

相似度和距离负相关：

K-means：

1、选出一个k，作为k'个聚类中心（随机选出聚类中心），为了能够准确选择，那么可能胡i多次选择取得结果最优的；

2、把么一个数据分配成最近的中心

；    距离计算：欧氏距离；计算角度

3、寻找数据的新的质心；

4、重复2——3部；

达到收敛标准：

到达循环次数；

标签不再改变；

聚类中心不断发生改变；

k值的确定：

人工指定

高斯权重：

高斯滤波，
均值滤波器：

中值滤波

均值滤波

总结：通过考虑到周围邻居的位置进行滤波操作；

用途：去噪、增加对比度、寻找特征点

项目：模板匹配；

Template matching

图片拼接：

1、寻找角点；使用Harris角点；

Harris有一个尺度不变性、旋转不变性、

2、两个图片必须使用共同的特征寻找，计算两个向量；

3、建立SIFT描述；

4、匹配SIFT角点；

5、将图片进行转换；

博文：图像局部特征点检测算法

作业：读入手写字符

tu'xiang'pin'j

深度学习

神经网络和BP算法

为什么会提出神经网络解决问题

神经网络：大量的结构简单、功能相近的神经元节点按一定的体系架构连接成的网状结构——模拟大脑结构

作用：

分类

模式识别

连续值预测

总的来说就是建立一种输入输出的映射关系；

人工神经网络

神经元：输入向量、权重、偏执

一般浅层网络是3~5层

前馈神经网络：

同一层的神经元之间没有相互连接，层间信息的传送只沿着一个方向进行；

学习的过程实际上是对权重的更改

目标：输出和实际输出越接近越好

梯度下降：

随机梯度下降算法：梯度下降

在传入模型的开始，首先要对数据预处理、特征提取、特征选择、再到推理、预测或者识别

from pyplot as plt 重命名，简化

temperature是气温, 100度很吓人啦 XD

机器学习：使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。（强调学习 而不是专家系统）

有监督 

无监督 

强化学习（带反馈）

机器学习：数据清洗/特征选择；确定算法模型/参数优化；结果预测

不能解决：大数据存储/并行计算；做一个机器人

目标函数取最小称 损失函数

数据收集--->数据清洗----->特征工程----->数据建模

hessian矩阵 对称--》4>0 二阶行列式>0----》正定---->凸函数

numpy读取数据

np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

转置t.T()

t1.reshape(1,24) #修改数组形状

t1.flatten() #展开 二维降成一维

t1+2 #数组每个值都加2 （广播机制）

0除以0得到nan（不是一个数字），其他数字除以0得到inf（无穷的意思）

t6+t5 #对应位置的数据计算

matplotlib

plt.figure(figsize=(20,8),dpi=80)

plt.savefig('./sig.png')

plt.xticks(x) #x的每个值

plt.xticks((1,26))#调整步长

matplotlib

1.什么是matplotlib

主要做数据可视化，模仿matlab

安装conda install matplotlib

2.matplotlib基本要点

axis轴，指的是x或y轴

from matplotlib import pyplot as plt

x= range(2,26,2)

y=[15,13,14.5,17,20,25,26,26,24,22,18,15]

plt.plot(x,y)

plt.show()

提出问题

准备数据（数据清洗）

分析数据

获得结论

成果可视化