目录 1.从感知机到神经网络2.深度神经网络（DNN）的基本结构3.深度神经网络前向传播算法的原理4.深度神经网络的前向传播算法5.深度神经网络反向传播算法要解决的问题6.深度神经网络反向传播算法的基本思路7.深度神经网络反向传播算法过程8.均方差损失函数+sigmoid激活函数的问题9.改变损失函数和激活函数1.从感知机到神经网络上图是一个感知机模型，有若干个输入和一个输出（输出的结果只可以是1或-1）输入和输出有一个线性关系：神经元激活函数：（二分类） 由于这个简单的感知机只可以进行二分类，则对于感知机进行升级，升级如下：1）加入隐藏层，从而增加模型的表达能力，同时也增加了模型的复
目录 1.从感知机到神经网络2.深度神经网络（DNN）的基本结构3.深度神经网络前向传播算法的原理4.深度神经网络的前向传播算法5.深度神经网络反向传播算法要解决的问题6.深度神经网络反向传播算法的基本思路7.深度神经网络反向传播算法过程8.均方差损失函数+sigmoid激活函数的问题9.改变损失函数和激活函数1.从感知机到神经网络上图是一个感知机模型，有若干个输入和一个输出（输出的结果只可以是1或-1）输入和输出有一个线性关系：神经元激活函数：（二分类） 由于这个简单的感知机只可以进行二分类，则对于感知机进行升级，升级如下：1）加入隐藏层，从而增加模型的表达能力，同时也增加了模型的复
Pre:如果之前从没接触过实例分割，建议先了解一下实例分割的输出是什么。实例分割两个关键输出是：mask系数、mask原型本文参考自该项目(这么优秀的代码当然要给star!)：GitHub-UNeedCryDear/yolov5-seg-opencv-onnxruntime-cpp:yolov5segmentationwithonnxruntimeandopencv目录Pre:一、代码总结1、实例分割输出与目标检测输出的区别？2、如何获得目标的mask?二、源码yolov5_seg_utils.hyolov5_seg_utils.cppyolo_seg.hyolo_seg.cppmain.cp
欢迎关注『OpenCVDNN@Youcans』系列，持续更新中【OpenCVDNN】Flask视频监控目标检测教程01【OpenCVDNN】Flask视频监控目标检测教程02【OpenCVDNN】Flask视频监控目标检测教程023.1从URL地址读取图片进行处理3.1.1从指定的url地址读取图像3.1.2例程：从指定的url读取图像3.2上传本地图片进行卡通处理3.2.1建立Flask项目3.2.2编写HTML文档3.2.3Python程序实现业务逻辑3.2.4运行脚本本系列从零开始，详细讲解使用Flask框架构建OpenCVDNN模型的Web应用程序。本节介绍使用OpenCV+Flask
1.Opencv介绍 OpenCV由各种不同组件组成。OpenCV源代码主要由OpenCVcore（核心库）、opencv_contrib和opencv_extra等子仓库组成。近些年，OpenCV的主仓库增加了深度学习相关的子仓库：OpenVINO（即DLDT,DeepLearningDeploymentToolkit）、open_model_zoo，以及标注工具CVAT等。1.2OpencvDNN介绍 OpenCV深度学习模块只提供网络推理功能，不支持网络训练。像所有的推理框架一样，加载和运行网络模型是基本的功能。深度学习模块支持TensorFlow、Caffe、Torch、
欢迎关注『OpenCVDNN@Youcans』系列，持续更新中【OpenCVDNN】Flask视频监控目标检测教程093.9OpenCV+Flask多线程处理实时监控人脸识别新建Flask项目cvFlask09Python程序文件视频流的网页模板程序运行本系列从零开始，详细讲解使用Flask框架构建OpenCVDNN模型的Web应用程序。本节使用多线程或者异步框架来处理视频帧的获取和人脸识别。本例程使用一个线程实时获取视频帧，在主线程中处理视频帧，进行人脸识别和图像编码。因此，人脸识别就不会阻止视频帧的读取。3.9OpenCV+Flask多线程处理实时监控人脸识别由于人脸识别是一个计算密集型任
欢迎关注『OpenCVDNN@Youcans』系列，持续更新中【OpenCVDNN】Flask视频监控目标检测教程103.10OpenCVDNN+Flask实时监控目标检测1、加载MobileNetSSD模型2、导入分类名称文件3、处理视频帧进行目标检测4、新建一个Flask项目5、Python程序文件6、视频流的网页模板7、Flask视频监控目标检测程序运行本系列从零开始，详细讲解使用Flask框架构建OpenCVDNN模型的Web应用程序。在上节的基础上，本节介绍使用OpenCVDNN对实时视频进行目标检测。DNN目标检测的基本步骤也是加载图像、模型设置和模型推理。3.10OpenCVDN
欢迎关注『OpenCVDNN@Youcans』系列，持续更新中【OpenCVDNN】Flask视频监控目标检测教程073.7OpenCV+Flask实时监控人脸识别cvFlask08项目的文件树cvFlask08项目的Python程序cvFlask08项目的网页模板cvFlask08项目的运行本系列从零开始，详细讲解使用Flask框架构建OpenCVDNN模型的Web应用程序。本节介绍使用Flask框架构建一个视频流服务器，通过OpenCV捕获摄像头的实时画面，使用人脸检测级联分类器进行人脸识别，并在视频图像中标记检测到的人脸。3.7OpenCV+Flask实时监控人脸识别进一步地，本例程使用
欢迎关注『OpenCVDNN@Youcans』系列，持续更新中【OpenCVDNN】Flask视频监控目标检测教程063.6OpenCV+Flask实时监控和视频播放cvFlask06项目的文件树cvFlask06项目的程序文件cvFlask06项目的网页模板cvFlask06项目的运行本系列从零开始，详细讲解使用Flask框架构建OpenCVDNN模型的Web应用程序。本节介绍用Flask构建流媒体服务器，通过OpenCV捕获摄像头的实时画面，向服务器发送请求可以播放实时的视频流。也可以播放本地视频文件。3.6OpenCV+Flask实时监控和视频播放本例程使用Flask框架构建一个视频流服
一. DNN网络一般分为三层1.输入层2.隐藏层3.输出层简单网络如下： 二.前向传播从第二层开始，每一个神经元都会获得它上一层所有神经元的结果。即每一个y=wx+b的值。具体分析如下：如此下去就会非常可能出现了一个问题------就是越靠后的神经元获得的y值会非常大，试想一下，如果这个数远远大于它前面神经元的值，前面神经元对整个网络的表达就显得毫无意义。所以我们在每创建一层网络时就要多“y”进行一次约束。我们有很多选择，但最好的方法就是运用Sigmoid函数。它可以将每层网络中的神经元全部控制在0-1之间。我们到最后输出层每个神经元就可以获得一个y值。利用tensorflow所构建网络的代
