本文目录一览：
- 1、Python在大数据方向的作用除了人工智能与机器学习还有
- 2、自我知觉和自我觉知区别
- 3、关于神经网络 需要学习python的哪些知识？
- 4、高大上的YOLOV3对象检测算法，使用python也可轻松实现
Python在大数据方向的作用除了人工智能与机器学习还有
你可以这样理解，人工智能是一个婴儿的大脑，而深度学习就是让这个婴儿的大脑又能力看世界、听世界、感受世界。直观的说，深度学习只是服务于人工智能一个工具（也许若干年后，一种全新的工具可以代替深度学习实现人工智能），把这个工具用在语音识别领域，就能让机器更会听；把他用在了计算机视觉领域，就能让机器更会看。深度学习的本质就是各种神经网络，从最早最简单的感知机，再到多层神经网络，再到现在很火的CNN、RNN，其目的都是构建一个合适的神经网络结构，让机器有能力“自己思考”——我们也称之为“智能”。关于机器学习，它是比深度学习更为广泛的概念，发展的也比较早。在人工智能届有一种说法：认为机器学习是人工智能领域中最能够体现智能的一个分支。从历史上看，机器学习似乎也是人工智能中发展最快的分支之一。机器学习发展早期，限于计算机计算能力、样本量等因素，很多算法无法实现。而近些年来，计算机的计算能力和存储能力都有了很大的提高，数据发掘引领了大数据时代的到来，使得原来复杂度很高的算法能够实现，得到的结果也更为精细。理论上，只要计算机计算能力足够强、样本数据量足够大，就可以不断增加神经网络的层数以及改变神经网络的结构，这就是“深度学习”，在理论和技术上，并没有太多的创新。只是深度学习代表了机器学习的新方向，同时也推动了机器学习的发展。
自我知觉和自我觉知区别
你好，我觉得这两者是没有区别的。都表现的是一种自觉或者是感知。是一种对前途的改知。
自己选择的路坚持走下去。有时候，我们做出的最艰难的决定，最终会成为我们做过最漂亮的事。
2，无事心不空，有事心不乱。不管发生什么，都不要放弃，坚持走下去，肯定会有意想不到的风景。也许不是你本来想走的路，也不是你本来想登临的山顶，可另一条路有另一条路的风景，不同的山顶也一样会有美丽的日出，不要念念不忘原来的路！
3，我的累，别人感受不到，我说了别人未必能够身同感受，努力熬着，或许没有那么糟糕，明年会更好这个想法坚持着我继续走下去。
4，其实人生没有对错，只有选择后的坚持，不后悔，走下去，就是对的。学会善待自己，别去背负太多；学会爱惜自己，因为没有人比你更懂你自己。生活中的爱与恨，不过是分分合合；生活中的喜与悲，不过是喜怒哀乐；生活中的伤与痛，不过是难分难舍；不要求什么十全十美，该珍惜的珍惜。
5，你永远不知道生活将会给你怎样的惊喜，找到适合自己的路，坚持走下去，按自己的原则，好好生活。即使有人亏待你，但时间和人生绝对不会亏待你。
6，生活中每个人都很累，余生，愿你累的时候也能懂得怎么过。生活除了责任，就是唯一的坚持，无论遇到什么样的变化，除了坚强就是一直坚持走下去！
7，优柔寡断，是人生最大的负能量。人生没什么好优柔的。从生命角度去看，你人生路径上的任何一种选择都是错误的，无论你怎么选，都有差错；因此，当选择来临，A和B，拿一个便走就是。人生没有对错，只有选择后的坚持，不后悔，走下去，就是对的。
8，如果你作出了某种选择，就要准备好承担一切后果。即使再苦再累，也不要心生抱怨，因为这是你自己的选择！人生故事里的大多数结局都源于你的选择，没有什么好抱怨的。你选择了什么样的道路，就会拥有什么样的人生。人生不是游戏，我们没有多少可供选择的机会。既然选择了，就要咬牙坚持走下去。
9，自己选择的路就要坚持走下去，路上的艰辛无需抱怨…
10，成功就是多坚持一分钟，这一分钟不放弃，下一分钟就会有希望，所以，当你扛不住时就咬咬牙，再苦再累，只要坚持走下去。
11，人生的道路上，永远不是笔直的，必定有很多弯路，有很多精彩的地方，也会有很多不堪的地方。走累了，遇到弯路了，坚持走下去会柳暗花明，也会一条死路走到黑。可以停下来思考，但不要再耽误过多时间。精彩的蜿蜒小径、笔直的康庄大道就在未来等着。
12，不要害怕失败，努力就好了。成功就继续坚持走下去，失败了就说明这条路并不适合我，那么我就另寻它路。人生很短，快乐就好。
13，黑夜里长行的人，难免孤独，但之所以坚持走下去，是因为相信也并看到了，那一束黎明温柔的光。
关于神经网络 需要学习python的哪些知识？
最基础的部分的话需要：线性代数，机器学习，微积分，优化等等。
几乎所有操作都有矩阵运算，所以至少最基础的线性代数需要掌握
建议从单一的感知机Perceptron出发，继而认识到Decision Boundary(判别边界),以及最简单的一些“监督训练”的概念等，有机器学习的基础最好。就结果而言，诸如“过拟合”之类的概念，以及对应的解决方法比如L1 L2归一，学习率等也都可以从单个感知机的概念开始入门。
从单层感知器推广到普通的多层感知器MLP。然后推广到简单的神经网络（激活函数从阶跃“软化”为诸如tanh等类型的函数），然后引入特定类型的网络结构，比如最基本的全连接、前向传播等等概念。进而学习训练算法，比如反向传播，这需要微积分的知识（Chain rule）,以及非线性优化的最基础部分，比如梯度下降法。
其次至少需要具备一些适用于研究的编程语言的技能，例如python，matlab，（C++也可行）等，哪怕不自己实现最简单的神经网络而是用API，也是需要一定计算机能力才能应用之。
高大上的YOLOV3对象检测算法，使用python也可轻松实现
继续我们的目标检测算法的分享，前期我们介绍了SSD目标检测算法的python实现以及Faster-RCNN目标检测算法的python实现以及yolo目标检测算法的darknet的window环境安装，本期我们简单介绍一下如何使用python来进行YOLOV3的对象检测算法
YOLOV3的基础知识大家可以参考往期文章，本期重点介绍如何使用python来实现
1、初始化模型
14-16 行：
模型的初始化依然使用cv下的DNN模型来加载模型，需要注意的是CV的版本需要大于3.4.2
5-8行：
初始化模型在coco上的label以便后期图片识别使用
10-12行：
初始化图片显示方框的颜色
2、加载图片，进行图片识别
输入识别的图片进行图片识别，这部分代码跟往期的SSD 以及RCNN目标检测算法类似
19-20行：输入图片，获取图片的长度与宽度
25-29行：计算图片的blob值，输入神经网络，进行前向反馈预测图片
只不过net.forward里面是ln， 神经网络的所有out层
3、遍历所有的out层，获取检测图片的label与置信度
遍历out层，获取检测到的label值以及置信度，检测到这里YOLOV3以及把所有的检测计算完成，但是由于yolov3对重叠图片或者靠的比较近的图片检测存在一定的问题，使用YOLOV3使用非最大值抑制来抑制弱的重叠边界
竟然把墨镜识别了手机，体现了YOLOV3在重叠图片识别的缺点
4、应用非最大值抑制来抑制弱的重叠边界，显示图片
56： 使用 非最大值抑制来抑制弱的重叠边界
58-59行：遍历所有图片
61-62行：提取检测图片的BOX
64-68行：显示图片信息
70-71行：显示图片
利用python来实现YOLOV3，与SSD 以及RCNN代码有很多类似的地方，大家可以参考往期的文章进行对比学习，把代码执行一遍
进行视频识别的思路：从视频中提取图片，进行图片识别，识别完成后，再把识别的结果实时体现在视频中，这部分代码结合前期的视频识别，大家可以参考多进程视频实时识别篇，因为没有多进程，检测速度很慢，视频看着比较卡
1、初始化模型以及视频流
2、从视频中提取图片，进行图片的blob值计算，进行神经网络的预测
3、提取检测到图片的置信度以及ID值
4、 应用非最大值抑制来抑制弱的重叠边界，显示图片
5、关闭资源，显示图片处理信息
每个目标检测算法都有自己的优缺点，个人感觉，在精度要求不是太高的情况下SSD检测算法可以实现较快的速度实现，毕竟精度差不多的情况下，我们希望速度越快越好
