madobet

本文翻译自[A guide to receptive field arithmetic for Convolutional Neural Networks](http://link.zhihu.com/?target=https%3A//medium.com/%40nikasa1889/a-guide-to-receptive-field-arithmetic-for-convolutional-neural-networks-e0f514068807)（可能需要翻墙才能访问），方便自己学习和参考。若有侵权，还请告知。 感受野（receptive field）可能是卷积神经网络（Convolutional Neural Network，CNNs）中最重要的概念之一，值得我们关注和学习。当前流行的物体识别方法的架构大都围绕感受野的设计。但是，当前并没有关于 CNN 感受野计算和可视化的完整指南。本教程拟填补空白，介绍 CNN 中特征图的可视化方法，从而揭示感受野的原理以及任意 CNN 架构中感受野的计算。我们还提供了代码实现证明计算的正确性，这样大家可以从感受野的计算开始研究 CNN，从而更加深刻的理解 CNN 的架构。 本文假设读者已经熟悉 CNN 的思想，特别是卷积（convolutional）和池化（pooling）操作，当然你可以参考[\[1603.07285\] A guide to convolution...

 > 狙击手在放大倍焦前已经经历了大量的小目标训练，这样看似乎是 RPN 做的好 — David 9 之前在[讲 SSD 时我们聊过 SSD 的目标检测](http://nooverfit.com/wp/%E6%9C%BA%E5%99%A8%E8%A7%86%E8%A7%89-%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E8%A1%A5%E4%B9%A0%E8%B4%B4%E4%B9%8Bssd%E5%AE%9E%E6%97%B6%E6%A3%80%E6%B5%8B-multibox-single-shot-detector/)是如何提高多尺度（较大或较小）物体检测率的。我们来回顾一下，首先，较大的**卷积窗口**可以卷积后看到较大的物体, 反之只能看到较小的图片. 想象用 1\*1 的最小卷积窗口, 最后卷积的图片粒度和输入图片粒度一模一样. 但是如果用图片长\*宽 的卷积窗口, 只能编码出一个大粒度的输出特征. 对于**yolov1**，每层使用同样大小的卷积窗口, 识别**超大物体或者超小物体**就变得无能为力（最后一层的**输出特征图**是固定 7\*7）:  YOLO 架构示意图 而**SSD**就更进一步，最后一层的检测是由之前**多个尺度（Multi-Scale）**的特征图共同生成的：  SSD...

内容梗概 预印本指的是在同行评审前就公开分享的科研论文手稿，越来越多的期刊学报已经开始发表声明，支持预印本交流。对于科研手稿的作者来说，在正式投稿前将科研论文的手稿提交到预印本平台以达到快速发表自己的科研发现，规避首发权争议，掌握科研交流的主动权。预印本发布，将是越来越多的科研工作者日益流行的选择。  科学研究往往遵循一个类似的发表过程。首先，展示新数据的早期草稿通过个人或研讨会与同行分享。随后，工作可能会转变为某次会议的一个摘要和海报。最后，精心完成最终草稿并向期刊提交。 然后，您将等待。期刊寻找评审人员并提供反馈意见，您将相应的修改论文。在论文被接受或拒稿前，还可能需要进行另一次评审。如拒稿，则需重新对论文进行排版并更新投稿信，投稿至另一家期刊，接受新一轮评审。 但是，这是发表论文的唯一模式吗？越来越多的研究人员正在转向使用**预印本**来更早地分享他们的成果。但是，什么是预印本？它对研究人员有何好处？请继续阅读来了解这些信息、或直接跳到您最感兴趣的章节： - [预印本的定义](#definition) - [预印本的历史（包括有关其使用的数据）](#history) - [预印本的好处](#benefits) - [对预印本的担忧](#concerns) - [结论](#conclusions) * * * ## 预印本的定义 简单地说，预印本是一份研究论文的完整草稿，在进行同行评审之前与公众分享。预印本可经过简单的编辑或筛选，但它们通常并未进行排版或内嵌到完整的网页中。在当今的学术出版领域，通常会给预印本分配一个数字对象标识符（DOI），以便其他研究论文对其进行引用。 > 预印本是一份研究论文的完整草稿，在进行同行评审之前与公众分享。 * * * ## 预印本的历史 预印本（有时被称为...

　　自己搭建神经网络时，一般都采用已有的网络模型，在其基础上进行修改。从 2012 年的 AlexNet 出现，如今已经出现许多优秀的网络模型，如下图所示。 主要有三个发展方向： 　　　　Deeper：网络层数更深，代表网络 VggNet 　　　　Module： 采用模块化的网络结构（Inception），代表网络 GoogleNet 　　　　Faster: 轻量级网络模型，适合于移动端设备，代表网络 MobileNet 和 ShuffleNet 　　　　Functional: 功能型网络，针对特定使用场景而发展出来。如检测模型 YOLO，Faster RCNN；分割模型 FCN， UNet   　　其发展历史可以分为三个阶段：   　　这些模型在 ImageNet 上的表现效果对比如下： 　　 1....

[RCNN](https://link.zhihu.com/?target=https%3A//github.com/rbgirshick/rcnn) (论文：Rich feature hierarchies for accurate object detection and semantic segmentation) 将 CNN 方法引入 OD 领域， 大大提高了 OD 效果，可以说改变了 OD 领域的主要研究思路，紧随其后的系列文章：（ [RCNN](https://link.zhihu.com/?target=https%3A//github.com/rbgirshick/rcnn)）,[Fast RCNN](https://link.zhihu.com/?target=https%3A//github.com/rbgirshick/fast-rcnn), [Faster RCNN](https://link.zhihu.com/?target=https%3A//github.com/ShaoqingRen/faster_rcnn) 代表该领域当前最高水准。 【论文主要特点】（相对传统方法改进） - 速度： 经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则...

- 机器学习、模式识别、深度学习等等模型的目的，是压缩。对数据的背诵这不是压缩，对特征的提取才是压缩。 - 它们都抓住了、而且必须抓住平移、镜像、一定程度上的缩放不变性，只要满足不变性，相似的特征表征能力一定强。CNN 的新工作还有旋转不变性、仿射变换不变性和时间轴上的灰度不变性。设计思路不包含这些不变性的，一般都是逗比。 - 在 ImageNet 上训练的不少模型，把 2 ^ (224 _ 224 _ 3 \* 8bit) 的数据空间中的数据特征用少到几十万，大到几亿的参数表征出来，起到了局部或者全局特征的提取，从而用特征进行各种任务。重要的是很多任务可以通过 1 次定义结构端到端完成。 - 它是 Object Detection, Scene Parsing, OCR 等任务的前导性任务，往往也被称为 Backbone...

我们已经知道，可以直接作用于`for`循环的数据类型有以下几种： 一类是集合数据类型，如`list`、`tuple`、`dict`、`set`、`str`等； 一类是`generator`，包括生成器和带`yield`的 generator function。 这些可以直接作用于`for`循环的对象统称为可迭代对象：`Iterable`。 可以使用`isinstance()`判断一个对象是否是`Iterable`对象： ``` >>> from collections.abc import Iterable >>> isinstance([], Iterable) True >>> isinstance({}, Iterable) True >>> isinstance('abc', Iterable) True >>> isinstance((x for x in...

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含 100 万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。 所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的 list，从而节省大量的空间。在 Python 中，这种一边循环一边计算的机制，称为生成器：generator。 要创建一个 generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的`[]`改成`()`，就创建了一个 generator： ``` >>> L = [x * x for x in range(10)] >>> L [0, 1, 4, 9, 16, 25, 36,...

列表生成式即 List Comprehensions，是 Python 内置的非常简单却强大的可以用来创建 list 的生成式。 举个例子，要生成 list `[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]`可以用`list(range(1, 11))`： ``` >>> list(range(1, 11)) [1, 2, 3, 4, 5, 6,...

**2019 年起，不给员工提供 “工资条”** **属于违法行为！** 《全国人民代表大会常务委员会关于修改＜中华人民共和国个人所得税法＞的决定》已由中华人民共和国第十三届全国人民代表大会常务委员会第五次会议于 2018 年 8 月 31 日通过，现予公布，自 2019 年 1 月 1 日起施行。 《中华人民共和国个人所得税法》（2018 版）第十条规定：**扣缴义务人应当按照国家规定办理全员全额扣缴申报，并向纳税人提供其个人所得和已扣缴税款等信息。** **自 2019 年 1 月 1 日起，单位发工资代扣代缴个人所得税后，不向员工提供类似 “工资条” 的个人所得和已扣缴税款等信息，属于违法行为。** 提醒，“工资条” 必须有：个人所得和已扣缴税款等信息。...