1.模型 多层LSTM 2.用到的函数 tf.nn.rnn_cell.BasicLSTMCell(num_units) num_units这个参数的大小就是LSTM输出结果的维度。例如num_units=128， 那么LSTM网络最后输出就是一个128维的向量。http://www.mtcnn.com/?p=529 tf.nn.dynamic_rnn https://blog.csdn.net/junjun150013
Haar分类器使用AdaBoost算法，但是把它组织为筛选式的级联分类器，每个节点是多个树构成的分类器，且每个节点的正确识别率很高。在任一级计算中，一旦获得“不在类别中”的结论，则计算终止。只有通过分类器中所有级别，才会认为物体被检测到。这样的优点是当目标出现频率较低的时候（即人脸在图
主要看下run_on_opencv_image(self, image)。大概是这样几步。逐步记录 predictions = self.compute_prediction(image) #np.ndarray): an image as returned by OpenCV to tensor top_predictions = self.select_top_predictions(predictions) result =
二分类模型的评价指标 https://www.cnblogs.com/xiaoniu-666/p/10511694.html 参考tf的方法 predictions = tf.argmax(predict, 1) actuals = tf.argmax(real, 1) ones_like_actuals = tf.ones_like(actuals) zeros_like_actuals = tf.zeros_like(actuals) one
