【人工智能】卷积神经网络
CNN&ImageClassification输入：100x100的图像输出：一个长为N的列向量，每一行代表某一类的可能性
输入全连接神经网络一张彩色图片对于计算机来说，就是三个tensor：这样的3x100x100的向量可以作为我们神经元的输入对于一个fullyconnectednetwork，我们有：3∗100∗100∗1000=3∗1073*100*100*1000=3*10^73∗100∗100∗1000=3∗107个权重，这样的全连接神经网络过于复杂！
优化——卷积神经网络——版本1通过观察，我们有如下发现：
只需要以几个相邻像素点为单位作为pattern进行分类即可（最左上和最右下的像素点可能并没什么关系）——ReceptiveField同样的pattern可能出现在图像的不同地方——ParameterSharing1.看一些非常小的范围内的pattern就可以进行分类例如只要看到鸟嘴，鸟眼，鸟爪就可以识别出这是一只鸟设定一些Receptivefield作为neuron的输入，例如如下经典的receptivefield设定：
考虑所有channel（因此我们不考虑厚度，仅考虑长和宽kernelsize:3*3）同一个receptivefiled会有一组neurons接受（例如：64个）stride，我们称为两个receptivefiled之间的间距，我们希望两个receptivefiled是有重叠的，因此stride不会太大如此receptivefiled可能会超出影响的范围，我们需要为超出范围的filed做padding如此图片中的每一个像素都至少被一个receptivefield考虑过！
2.同样的pattern可能会出现在图片的不同位置看起来我们并不需要为不同位置但相同pattern所对应的神经元进行检查！我们让一些neuron共享参数
每一个receptivefield会有一组neuron处理因此两组neuron中的neuron都一一对应共享参数因此我们发现convolutionallayer有更大的bias，但不容易过拟合，更适用于影响分析
优化——卷积神经网络——版本2假设我们现在有一张黑白图片
我们有64个pattern需要识别——对应64个filters第二层继续设定3*3的大小——考虑全部64层优化3：Pooling（MaxPooling）
人工智能数学基础
人工智能数学基础–概率与统计7：学习中一些术语的称呼或表示变化说明以及独立事件的一些补充推论Python
在概率论和统计学中，有许多常见的术语和定义，这些术语和定义有时会有一些变化和表示上的差异。在本文中，我们将介绍一些不同术语的称呼以及一些常见的统计学术语的解释。
1.样本空间在概率论中，一个样本空间是指所有可能的结果的集合。在Python中，我们可以使用列表、元组或集合来表示一个样本空间。
例如，如果我们要模拟掷硬币的结果，则样本空间为{“正面”，“反面”}。在Python中，我们可以使用以下代码表示该样本空间：
sample_space={"正面","反面"}2.事件在概率论中，一个事件是指样本空间中的某些结果的集合。在Python中，我们可以使用列表、元组或集合来表示一个事件。
例如，如果我们要表示掷硬币出现正面的事件，则事件为{“正面”}。在Python中，我们可以使用以下代码表示该事件：
event=