mAP评估指标
参考： https://www.zhihu.com/question/53405779/answer/419532990 概念及公式11点插值法计算 实例：计算mAPhttps://github.com/rafaelpadilla/Object-Detection-Metrics coco目标检测评估标准https://blog.csdn.net/u014734886/article/de
标签：: 机器学习
L1与L2正则化
更小的权值，从某种意义上讲，表示网络的复杂度更低，对数据的拟合刚刚好（这个法则也叫作奥卡姆剃刀）简单理解就是，权重变小了，表示模型对每个参数样本的依赖性就不那么大了，就减小了过拟合； 另，可参考：https://morvanzhou.github.io/tutorials/machine-learning/ML-intro/3-09-l1l2regularization/ L1倾向于把一些参
先验分布、后延分布、极大似然估计
参考：https://www.zhihu.com/question/24261751 先验概率：实际中经验所得的概率； 后验概率：知果求因，即条件概率P(A|B) 极大似然估计：已知某事件发生，其概率应最大 用“瓜熟蒂落”这个因果例子，从概率（probability）的角度说一下，先验概率，就是常识、经验所透露出的“因”的概率，即瓜熟的概率。应该很清楚。后验概率，就是在知道“果”之后，去推测“
softmax与交叉熵
熵是不确定性的一种度量。 简单易懂的解释：比如你去跟朋友商量，扔一个硬币，如果正面就去你喜欢的店吃饭，如果反面就去他喜欢的店吃饭。这时候你特别想去你喜欢的店，于是悄悄在硬币上做了手脚，让每次扔都是正面朝上。是不是去哪里吃饭这件事就是确定的，不随机的。这时候，熵是最小的。 Softmax是logistic regression的的多分类推广（有兴趣可参考：https://blog.csdn.net/