在测试的时候，需要注意 \(\mu_j\) 和 \(\sigma_j\) 不能用测试时的数据求得，需要用训练时的数据的移动平均值 上面的是对全链接神经网络的BN层，如果是对CNN，它的每一层输出层是 NxCxHxW，在 对每个 C

激活函数 Sigmoid 将输入压缩至[0,1] 三个问题： 饱和神经元会杀死梯度 输出不是 0-centered，这样会导致梯度是恒正或恒负 exp() 计算量大 ReLU（Rectified Linear Un

import numpy as np ?np.maximum np.maximum 是 element-wise 取最大，同时也有broadcasting 机制 np.maximum([1,2,5],[2,3,4]) array(

import numpy as np np.log(10) 2.302585092994046 np.exp([1,2]) array([2.71828183, 7.3890561 ])比较下列的异同，通常broadcasting是

import numpy as np range 的用法 list(range(1,5)) [1, 2, 3, 4] list(range(5)) [0, 1, 2, 3, 4]np.random.choice 的用法· mask

import numpy as np 下面验证一下 np.concatenate 的用法a = np.array([[1,2],[3,4]]) b = np.array([[5,6],[7,8]]) x = [] x.append(a

LK光流法是图像亮度的运动信息描述，它基于三个假设： 运动物体的灰度在很短时间内保持不变 时间连续或者运动是小运动（可以泰勒展开） 空间一致，临近点有相似运动（保证对于同一个窗口所有点的偏移量都相等） ###原理 假设图像

上学期其实已经把assignment1 和 2做完了，但是那是基于python2，这学期cs231n又更新到2018版，作业也使用了python3.6，我就想着复习一下基础知识，顺便再做一遍这个作业。 下面是作业1之前部分的slid

对于在线上模式进行跟踪-检测，最大的挑战是如何将在现在的视频框架中有噪声的物体检测与先前的跟踪的物体联系起来。 我们规划线上多物体跟踪问题为马尔科夫决策过程，其中一个物体的存在时间被用一个MDP建模，而多 MDPs 被组装用来多物体跟踪

预备知识我们可以用标准库(STL)中的标准模版 std::vector 来使用邻接链表。 首先定义一个结构体，包括邻接结点和边权值 struct Edge{ int nextNode; int cost; }; 为每个结

数位拆解 例4.1 特殊乘法 #include<stdio.h> int main(){ int a,b; while(scanf("%d%d", &a, &b) != EOF){

一.栈的应用堆栈是一种数据项按序排列的数据结构，使用 stack 标准模版需要加上头文件 #include ，并使用标准命名空间。 用 stack S，定义一个保存元素类型为int的堆栈 S S.push(i) 向堆栈中压进一个数值为