（完全针对我本人的学习记录）
1.学习步骤：
刘老师视频《PyTorch深度学习实践》完结合集-----李沐老师的书《动手学深度学习》-----李沐老师视频B站主页
2.下一阶段任务：
mtcnn模型原理，facenet原理及训练 mtcnn+facenet学习
动手实现：anoconda安装，先看看需要anoconda里的python版本，需要python37/38
python与anaconda安装
安装pytorch
学习训练facenet模型，yolov3（毕设）/yolov5（很多案例）
3.一些术语：
1.LFW ：是数据集
2.CNN的知识：
基本流程：卷积-ReLU-池化
（1）卷积
卷积核（特征提取器）
卷积运算，不同的卷积核对原图进行运算就能提取出不同的特征
（2）.池化
将得到的FeatureMap缩小，池化要求一定要保留原特征图的特征
最大池化：选择被扫描区域内的最大值，平均池化：取被扫描区域内的平均值
在处理边缘时的操作称为（Padding）如果对图像采用最大池化，则在边缘补零来提取边缘特征
（3）ReLU激活函数（修正线性单元）
把负数抹成零
（4）全连接层
特征图们展开得到一条特征数组，对数组按目标图的数组权值操作得到一个判断是否为目标的概率数。
3.一些神经网络可视化图像
4.模型性能评测 MAP值，ROC
5.深度可分离卷积块— 各种卷积层的理解（深度可分离卷积、分组卷积、扩张卷积、反卷积）
6.输入通道：输入通道指的是输入了几个二维信息，也就是很直观的rgb图有r，g，b三个通道，这决定了卷积核的通道数，即输入图像的通道数决定了卷积核通道数。
输出通道：输出通道是指卷积（关联）运算之后的输出通道数目，它决定了有几个卷积核，即需要输出通道数为几，就需要几个卷积核。
在卷积层的计算中，假设输入是H x W x C, C是输入的深度(即通道数)【由通道数形成一个类似三维的结构】，假设卷积核的大小为K x K，一个卷积核就为K x K x C，如果有P个K x K x C的卷积核，这样每个卷积核应用于输入都会得到一个通道，所以输出有P个通道。如下图
卷积计算：每次滑动的位置，对应位置相乘再求和，然后将3层操作求和+偏置b
详见如何确定CNN的卷积核通道数和卷积输出的通道数(深度)
输入通道个数 = 卷积核通道个数
卷积核个数 = 输出通道个数
6.搭建网络：即搭建神经网络
在机器学习中，搭建网络主要是分建立函数模型，建立损失函数和寻找最优值三步。在搭建深度学习网络时，主要步骤为初始化参数，加载数据，搭建网络，训练网络和保存网络。在完成深度学习网络搭建后，我们需要了解网络中的参数以及如何调参以提高网络的准确率。在深度学习网络中的参数有一类是可以通过梯度下降算法进行调节，以找到对应于网络最优效果的参数值；另一部分不可以通过网络优化，不能自动收敛到最优值，但是其数值同样对深度网络的性能产生影响，这种参数被称为超参数。超参数主要有layer层数，epoch数，学习率和batchsize等等。
所以我们在给定数据上搭建模型，并通过网络训练拟合出很好的函数模型时，我们需要注意超参数的选择。同时在判断模型优劣时不仅需要考虑模型在训练数据集上的准确率，同时需要考虑模型在测试数据集上准确率，从而避免过拟合现象发生。（不确定是否正确）
7.tensorboard
8.SVM分类器
9.数据集格式VOC，COCO
10.云平台的使用 -colab
11.triplet_loss:
triplet是一个三元组，这个三元组是这样构成的：从训练数据集中随机选一个样本，该样本称为Anchor，然后再随机选取一个和Anchor (记为x_a)属于同一类的样本和不同类的样本,这两个样本对应的称为Positive (记为x_p)和Negative (记为x_n)，由此构成一个（Anchor，Positive，Negative）三元组。triplet loss的目的就是通过学习，让x_a和x_p特征表达之间的距离尽可能小，而x_a和x_n的特征表达之间的距离尽可能大，并且要让x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间隔，即Triplet loss可以帮我们学习一种人脸嵌入，使得同一个人的人脸在嵌入空间中尽量接近，不同人的人脸在嵌入空间中尽量远离。
Tensorflow实现Triplet Loss
12.
L1标准化：每个元素/L1范数
L2标准化：每个元素/L2范数
12.损失函数：
损失函数的定义：衡量模型模型预测的好坏，损失函数就是用来表现预测与实际数据的差距程度。
损失函数（loss function）是用来估量你模型的预测值f(x)或叫y_hat与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。
常用的损失函数：softmax,交叉熵
详见 损失函数
13.sigmoid函数，softmax，交叉熵
深层神经网络的搭建这里面有讲到。
常用的特征层激活函数relu，输出层激活函数softmax、sigmoid，激活函数是一种非线性函数，它是衡量网络深度的标准。
14.SGD
15.
