第一节 开发迭代 在产品开发过程中，项目团队常会面对一系列问题。它们包括但不限于： 产品不能如期交付，开发成本过高；项目后期实现的东西远未达到设计预期的效果； 团队成员沟通不畅、无法很好地合作，团队信息不透明，人力与时间调配混乱，某些 成员忙的时候忙死，闲的时候闲死； 成员不知道自己的任务最终要实现什么功能、达到什么样的交付水平；策划、开发、 UI、运营等不同成员对产品的理解各不相同； 团队纠缠于低优先级的任务，导致最重要的事没做，用户流失严重； 产品需求频繁变更，导致项目发布时间严重滞后。 所有这些问题表面看各不相干，本质上都是由目标和风险管理不当所导致的。 在产品项目立项前，产品项目负责人应仔细思考的问题是：项目有多少资源？要达到 什么样的目标？人和物的资源成本投入和目标是否匹配？经过详细思考和评估后，一旦确 认资源并立项，最重要的任务就是统一团队目标。 更多精彩电子书，请访问免费PDF电子书下载的博客http://blog.sina.com.cn/u/1945284794

手势检测 数据集 依存关系： 张量流 autoware_msgs 跑步： 运行YOLO2 $ roslaunch cv_tracker yolo2.launch 主要代码： $ rosrun traffic_gesture_recognition ros_gesture_detection.py 筛选： $ rosrun traffic_gesture_recognition gesture_filter.py 显示调试图像： $ rosrun image_view image_view image:=/police_gesture/image_overlay 切换调试映像： $ rosservice call /set_debug "data: true" $ rosservice call /set_debug "data: false" 切换警察检测 $ r

会话中很棒的情感识别 有关与会话中的情感识别（ERC），上下文情感/情感/讽刺分析或语用学的共同分类（如会话中的对话行为）相关的论文的综合阅读清单。 如果列表中缺少任何新的或现有的纸张，请随时发送PR。 什么是ERC？ ERC是一项旨在预测对话中每种话语的情感的任务。 以下是一段对话的摘录，其中每种话语都标有相应的情感和情感标签： 概观 ，IEEE情感计算2020交易 ，IEEE Access 2019 资料资源 ，COLING 2020 ，ACL 2020 ，IEEE Access 2020 ，Arxiv 2020 ，LREC 2020 ，ACL 2019 ，ACL 2019 人类行为计算机2019 ，LREC 2018 DailyDialog：手动标记的多回合对话数据集，AFNLP 2017 semaine数据库：人与有限代理之间带有情感色彩的对话的带注释的多

对峙 对面部识别进行物理对抗攻击的步骤 在应用蒙版之后，将左侧的输入图像检测为右侧的目标图像。 安装 创建一个虚拟环境 conda create -n facial pip 克隆仓库 git clone https://github.com/392781/Face-Off.git 安装所需的库 pip install -r requirements.txt 导入和使用！ from adversarial_face_recognition import * ` 有关培训说明，请查看以开始少于30行。 用法 该库的目的是再次制造对抗攻击，再用FaceNet人脸识别器。 这是初步的工作，目的是使用一个可以戴在脸上的面具来产生更强壮的物理攻击。 当前管道由对齐的输入图像和计算出的蒙版组成。 然后使用dlib定向梯度检测器直方图将其输入到面部检测器中，以测试是否仍检测到面部。 然后将其传

vgg脸 使用PyTorch的人脸分类Python脚本 需要安装PyTorch 运行test.py文件 从获得的原始Caffe模型和测试图像/names.txt 从获得的.h5和

Multilayer neural networks trained with the back-propagation algorithm constitute the best example of a successful gradientbased learning technique. Given an appropriate network architecture, gradient-based learning algorithms can be used to synthesize a complex decision surface that can classify high-dimensional patterns, such as handwritten characters, with minimal preprocessing. This paper reviews various methods applied to handwritten character recognition and compares them on a standard handwritten digit recognition task. Convolutional neural networks, which are specifically designed to deal with the variability of two dimensional (2-D) shapes, are shown to outperform all other techniques. Real-life document recognition systems are composed of multiple modules including field extraction, segmentation, recognition, and language modeling. A new learning paradigm, called graph transformer networks (GTN’s), allows such multimodule systems to be trained globally using gradient-based methods so as to minimize an overall performance measure. Two systems for online handwriting recognition are described. Experiments demonstrate the advantage of global training, and the flexibility of graph transformer networks. A graph transformer network for reading a bank check is also described. It uses convolutional neural network character recognizers combined with global training techniques to provide record accuracy on business and personal checks. It is deployed commercially and reads several million checks per day.

字母识别 使用Keras和TensorFlow实现的卷积神经网络。 它使用具有26个大写字母数字符号的类似MNIST的数据集。 使用生成的数据对模型进行训练，训练后，权重将保存并为TensorFlow.js支持的格式。 实时网络应用程序在。

DNN-Speech-Recognition - 基于深度神经网络的自动语音识别器，首先搭建几个简单网络进行尝试，然后根据测试结果来构建自己的深度神经网络模型。可用于机器学习/深度学习/自然语言处理等方面课程的课程项目。数据集是LibriSpeech的部分数据，不包含在此压缩包中，可以自行下载。

中国象棋棋子识别 西北大学的EECS349机器学习（Doug Downey讲授） 埃文·钱恩 | 戴（ Dai） 目标 我们项目的目标是对中国象棋件进行分类。 给定国际象棋棋子的图像（最上面是繁体汉字），我们希望分类器能以很高的置信度识别国际象棋棋子的颜色和类型。 总而言之，输入是某个国际象棋棋子的相机框架，输出是相应棋子类型的颜色和类型。 这是机器人下象棋的重要组成部分，这是我们的最终目标。 为了达到我们的最终目标，我们还需要对中国象棋棋子进行实时（或视频流）分类，我们将在接下来的页面中进行实验并根据视频进行分类。 选型 众所周知，要解决图像分类问题，CNN绝对是ML / DL体系结构中的最佳选择。 我们测试了几种CNN结构，主要集中在我们自己构建的玩具CNN模型和经过微调的VGG16 CNN模型上。 我们使用Keras（以TensoeFlow作为后端）实现了这些模型。 对于玩具C

我们介绍了带变分推理的贝叶斯卷积神经网络，这是卷积神经网络（CNN）的一种变体，其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集（MNIST，CIFAR10，CIFAR100），如所描述的相同结构。 贝叶斯vs频频方法中的过滤器权重分布 整个CNN的全贝叶斯视角 图层类型 该存储库包含两种类型的贝叶斯lauer实现： BBB（Backprop的Bayes）： 基于。 该层分别对所有权重进行采样，然后将其与输入组合以从激活中计算出一个样本。 BBB_LRT（使用本地重新参数化技巧的Backprop进行Bayes操作）： 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。 制作自定义贝叶斯网络？ 要创建自定义贝叶斯网络，请继承layers.m