1 提出背景为什么要引入RNN呢？ 非常简单，之前我们的卷积神经网络CNN，全连接神经网络等都是单个神经元计算 但在序列模型中，前一个神经元往往对后面一个神经元有影响 比如 两句话 I like eating apples. I want

1 提出背景为什么要引入RNN呢？ 非常简单，之前我们的卷积神经网络CNN，全连接神经网络等都是单个神经元计算 但在序列模型中，前一个神经元往往对后面一个神经元有影响 比如 两句话 I like eating apples. I want

1 设计初衷我们之前讲了VGG等网络，在之前网络的研究中，研究者感觉 网络越深，分类准确率越高，但是随着网络的加深，科学家们发现分类准确率反而会下降，无论是在训练集上还是测试集上。 ResNet的作者团队发现了这种现象的真正原因是： 训练过

1 目标检测目标检测的重要任务是 目标定位：目标检测的首要任务是确定图像中对象的位置，通常使用边界框（Bounding Box）来描述目标的位置。边界框由一对坐标表示，通常是左上角和右下角的坐标。 目标识别：目标检测不仅要定位目标，还要识

之前讲了 AlexNet的解析经典网络(一) AlexNet逐层解析 | 代码、可视化、参数查看！_Qodi的博客-CSDN博客 Vgg的解析 经典网络解析（二）Vgg | 块的设计思想，代码，小卷积核_Qodi的博客-CSDN博客 今天讲

之前我们讲了VAE 但原有问题 ​ 希望从训练样本分布中采样新数据，但这个分布不仅维度高，而且还很复杂，难以实现 ​ 所以期望对一个简单的分布采样，比如正态分布，然后学习一种映射将其变换到训练样本分布，这种映射的方式可以通过神经网络来学习

之前我们讲到AlexNet，以及改进ZFnet 但是这些网络结构都没有提供一个通用的模版来指导后续的设计，都是在一层一层设计 今天的VGG则开创性的利用“块”的设计方式，便于加深网络 可以发现神经网络的研究 从一开始的单个神经元 到

之前我们的很多网络都是有监督的 生成网络都是无监督的（本质就是密度估计），我们首先来讲有监督学习，无监督学习 1 有监督与无监督有监督学习 目标学习X到Y的映射，有正确答案标注 示例 分类回归 目标检测 语义分割 无监督学习

1 语义分割语义分割（Semantic Segmentation） 语义分割的目标是将图像中的每个像素分割成不同的类别，但不区分同一类别中的不同实例。它只关心图像中的不同物体类别，而不关心它们是否属于不同的实例。 语义分割通常用于识别图像中

可视化可以帮助我们更好的理解卷积网络每一层学到了什么，或者说每一个卷积核究竟学到了什么，他是怎么理解图像的 这种的话当我们神经网络结果不太好时，我们可以分析不好的原因 图片来源于李飞飞老师的内容 梯度上升方法做可视化 1. 第一层直接可视化