深度学习+计算机视觉

在旷视这个ai四小龙深度学习是必不可少，而且这年头......

机器学习:在预定义的可能性空间中，利用反馈信号的指引，在输入数据中寻找有用的表示和规则

a. 对神经网络的权重（有时也被称为该层的参数）进行随机赋值

b. 经过一系列随机变换，得到预测值Y'

c. 通过损失函数（有时也被称为目标函数或代价函数），得到预测值Y'与真实值Y之间的损失值

d. 将损失值作为反馈信号，通过优化器来对权重值进行微调，以降低当前示例对应的损失值

e. 循环重复足够做的次数（b-d），得到具有最小损失值的神经网络，就是一个训练好的神经网络

张量：数据容器，包含的数据通常是数值数据，矩阵向任意维度的推广

神经网络：由一系列张量运算组成，这些张量运算只是输入数据的简单几何变换。可将神经网络解释为高维空间中非常复杂的几何变换，这种变换通过一系列简单步骤来实现

机器学习的目的：为高维空间中复杂、高度折叠的数据流行（一个连续的表面）找到简洁的表示

深度学习：可将复杂的几何变换逐步分解为一系列基本变换

全连接神经网络FNN

对具有线性输出层和至少一个使用"挤压"性质的激活函数的隐藏层组成的前馈神经网络，只要其隐藏层神经元的数量足够，它可以以任意精度来近似任何从一个定义在实数空间中的有界闭集函数。即一个两层的神经网络可以模拟任何函数

卷积神经网络CNN

局部连接和权值共享可以大幅度降低神经网络权值数量，成倍提升训练和预测速度

卷积网络是由卷积层、子采样层、全连接层交叉堆叠而成

循环神经网络RNN

使用带自反馈的神经元，能够处理任意长度的序列；更加符合生物神经网络的结构；应用在语音识别、语言模型以及自然语言生成等任务上

注意力机制Transformer

用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像；

使用计算机及相关设备对生物视觉的一种模拟，试图建立能够从图像或者多维数据中获取'信息'的人工智能系统

编程语言：

Python、C++等，熟悉常用的计算机视觉工具和库，如OpenCV、TensorFlow、PyTorch、Keras等