这个模型自然地为每个类处理可变数量的实例，并允许在网络的最高级别上进行跨类泛化。目标检测是计算机视觉的基本任务之一。解决这个问题的一个常见例子是训练在子图像上操作的对象检测器，并在所有地方和尺度上以详细的方式应用这些检测器。这个例子已经在差分训练之后成功地应用于可变形零件模型(DPM ),以实现检查任务的最新结果。
8、 神经 网络 测试样本集,训练样本集怎么理解,编程目的是让 测试样本输出跟...训练样本用于训练学习机，测试样本是学习机要识别的对象。比如你想让计算机识别一个茶杯，首先要准备一个茶杯(训练样本)，然后把茶杯展示给计算机(数据 input)，告诉计算机这个东西是茶杯(预期输出)。电脑看到茶杯后，以为是花盆，但看到你的期待是茶杯，他就不断训练自己是不是茶杯。直到计算机认为茶杯是茶杯才结束(这个过程叫做学习)。然后你把另一个茶杯(测试 sample)放在电脑前，问他这是什么？计算机计算后告诉你是茶杯(这个过程叫识别)。
9、如何将算法与 神经 网络组合使用1，将算法引入神经 网络:可以将算法引入神经 网络的训练过程中，以增强网络的性能。例如，在训练过程中，采用优化算法(如梯度下降法)更新网络的权值和偏移量，使损失函数最小。这样有助于神经-3/更好的学习和适应数据。2.神经 网络Output作为算法的输入:取神经网络的输出作为算法的输入，实现更复杂的任务。比如神经 网络可以用来对图像进行分类，然后将分类结果传递给其他算法进行进一步处理，比如物体检测、图像分割等。
比如可以用神经 网络提取特征，然后将提取的特征输入到传统的分类器(比如支持向量机、决策树等。)进行分类。4.强化学习中的算法组合与神经 网络:在强化学习中，神经 网络可作为价值函数逼近器(value function approximator)一种策略逼近器，与强化学习算法(如Qlearning、策略梯度)组合使用。这样可以实现复杂环境下决策和行为的学习和优化。
10、训练 神经 网络时,训练集loss下降,但是验证集loss一直不下降Reference:可以判断问题的原因来自两个方面，一方面是模型过拟合，另一方面是训练集和测试machine数据domain不同。至于问题的位置，建议按照先易后难的角度，即先检查训练集和测试 set是否有不同的域，再检查模型是否过拟合，1.对数据 domain的考察具体是指训练集的数据和测试 set的分布不一致，具体有以下几点:(1) 数据 source分布不同:比如在图像处理中，在语音识别中，训练集音频普通话较多，而测试 set方言较多；(2 )/ -4/set的噪声干扰不同:比如在图像中，训练集的图像都是正常拍摄的，而测试 set的图像都是暗淡或模糊的；在语音识别中，训练集可能都是清晰的音频，但是测试 set有很多背景噪音。
