cnn(怎么配置fastR)
1.怎么配置fast R
RCNN:RCNN可以看作是RegionProposal+CNN這一框架的開(kāi)山之作，在imgenet/voc/mscoco上基本上所有top的方法都是這個(gè)框架，可見(jiàn)其影響之大。RCNN的主要缺點(diǎn)是重復計算，后來(lái)MSRA的kaiming組的SPPNET做了相應的加速。
Fast-RCNN:RCNN的加速版本，在我看來(lái)，這不僅僅是一個(gè)加速版本，其優(yōu)點(diǎn)還包括：
(a) 首先，它提供了在caffe的框架下，如何定義自己的層/參數/結構的范例，這個(gè)范例的一個(gè)重要的應用是python layer的應用，我在這里支持多label的caffe，有比較好的實(shí)現嗎？ - 孔濤的回答也提到了。
(2) training and testing end-to-end 這一點(diǎn)很重要，為了達到這一點(diǎn)其定義了ROIPooling層，因為有了這個(gè)，使得訓練效果提升不少。
2.如何用數學(xué)歸納法證明二項式定理
先驗證1次方……
再假設k次方……
最后k+1時(shí)改成k次方乘以（a+b）帶入上一步假設的利用多項式乘法解決問(wèn)題。
例：證明：當n=1時(shí)，左邊=（a+b）1=a+b
右邊=C01a+C11b=a+b
左邊=右邊
假設當n=k時(shí)，等式成立，
即（a+b）n=C0nan+C1n a(n-1)b十…十Crn a(n-r)br十…十Cnn bn成立；
則當n=k+1時(shí)， （a+b）(n+1)=(a+b)n*(a+b)=[C0nan+C1n a(n-1)b十…十Crn a(n-r)br十…十Cnn bn]*(a+b)
=[C0nan+C1n a(n-1)b十…十Crn a(n-r)br十…十Cnn bn]*a+[C0nan+C1n a(n-1)b十…十Crn a(n-r)br十…十Cnn bn]=[C0na(n+1)+C1n anb十…十Crn a(n-r+1)br十…十Cnn abn]+[C0nanb+C1n a(n-1)b2十…十Crn a(n-r)b(r+1)十…十Cnn b(n+1)]
=C0na(n+1)+(C0n+C1n)anb十…十（C(r-1)n+Crn) a(n-r+1)br十…十（C(n-1)n+Cnn)abn+Cnn b(n+1)]
=C0(n+1)a(n+1)+C1(n+1)anb+C2(n+1)a(n-1)b2+…+Cr(n+1) a(n-r+1)br+…+C(n+1)(n+1) b(n+1)
∴當n=k+1時(shí)，等式也成立；
所以對于任意正整數，等式都成立
3.怎么配置fast R
RCNN:RCNN可以看作是RegionProposal+CNN這一框架的開(kāi)山之作，在imgenet/voc/mscoco上基本上所有top的方法都是這個(gè)框架，可見(jiàn)其影響之大。
RCNN的主要缺點(diǎn)是重復計算，后來(lái)MSRA的kaiming組的SPPNET做了相應的加速。 Fast-RCNN:RCNN的加速版本，在我看來(lái)，這不僅僅是一個(gè)加速版本，其優(yōu)點(diǎn)還包括： （a） 首先，它提供了在caffe的框架下，如何定義自己的層/參數/結構的范例，這個(gè)范例的一個(gè)重要的應用是python layer的應用，我在這里支持多label的caffe，有比較好的實(shí)現嗎？ - 孔濤的回答也提到了。
（2） training and testing end-to-end 這一點(diǎn)很重要，為了達到這一點(diǎn)其定義了ROIPooling層，因為有了這個(gè)，使得訓練效果提升不少。
4.卷積神經(jīng)網(wǎng)絡(luò )cnn究竟是怎樣一步一步工作的
用一個(gè)卷積核滑動(dòng)圖片來(lái)提取某種特征（比如某個(gè)方向的邊），然后激活函數用ReLU來(lái)壓制梯度彌散。對得到的結果用另一個(gè)卷積核繼續提取+reLU，然后池化（保留區域最大或者用區域平均來(lái)替換整個(gè)局部區域的值，保證平移不變性和一定程度上對過(guò)擬合的壓制）
之后“深度”的話(huà)，就會(huì )需要對池化后的結果繼續用不同的卷積核進(jìn)行 “卷積+relu”再池化的工作。最后得到的實(shí)質(zhì)是一個(gè)圖片的深度特征，然后實(shí)際分類(lèi)需要另外加一層，一般是softmax。
（也就是說(shuō)如果對一個(gè)現成的已經(jīng)訓練完畢的卷積神經(jīng)網(wǎng)絡(luò )模型，只保留除了最后一層之外的部分，然后輸入訓練圖片，把網(wǎng)絡(luò )的輸出重新送入一個(gè)多類(lèi)的SVM再訓練，最后也能得到差不多的結果，取決于svm的參數。）
