when did it happen和 when has it happend?有什么区别
问题描述：
when did it happen和 when has it happend?有什么区别when did it happen?when has it happened?有什么区别,具体要怎么翻译?一个是一般过去时,一个是过去完成时,这两种时态之间又有怎样的相同点和不同点?
问题解答：
一般过去时强调过去的事实,has it happened是现在完成时,而不是你说的过去完成时,它强调过去发生的是对现在的影响或结果.
我来回答：
剩余:2000字
take place,happen,occur,come about 和 break out 用法区别 这些词或短语都有“发生”的意思,但用法各不相同,区别如下：(1) take place 表示“发生、举行、举办”,一般指非偶然性事件的“发生”,即这种事件的发生一定有某种原因或事先的安排.例如：Great chang
第一个,did后面用原型 再问： did不是过去式吗 再答： 是的，但是后面的动词用原型
区别就是第一个主语暗指复数,第二个主语暗指单数
take place,happen,occur,come about和break out用法区别这些词或短语都有“发生”的意思,但用法各不相同,区别如下：(1).take place 表示“发生、举行、举办”,一般指非偶然性事件的“发生”,即这种事件的发生一定有某种原因或事先的安排,例如：Great changes h
take place,happen,occur,come about和break out用法区别这些词或短语都有“发生”的意思,但用法各不相同,区别如下：(1).take place 表示“发生、举行、举办”,一般指非偶然性事件的“发生”,即这种事件的发生一定有某种原因或事先的安排,例如：Great changes h
楼主没有错的.楼主可以回忆下我们常常说的“发生了什么事?”是怎么说的呢,是“what is happen ”对吧,这就是上面你的例句后面的“what was happening outside”,只不过他是过去进行时,表示过去某时刻正在进行的动作,时态不同而已.happen这个词确实与平常动词有些区别,他有几种用法,以
不一定要及物动词,也可以用不及物动词He had already arrived when I woke up.
how to happen 这个是错的 你可以说 how to make it happenhow to make it happen 如何让它发生how it happened.它是怎么发生的
d 不可以,搭配不能用get用means好些in time是即时的意思 on time是准时的意思receivedin bed是睡觉的意思,in the bed是在床上的意思把衣服摆放好get it back找回,取回give it back归还; 恢复,后退grades有等级的意思在里面,marks代表分数的意思pr
Long-long ago and far-far away, there was a farm, it was under of a moutain. One day, a handsome young man visited the farm and wanted to see the famer（农场主）, he
解题思路： 如下 解题过程： take place , happen, come about 词性和用法的具体区别： 这三个词都是动词。具体区别如下： (1) take place 表示&发生、举行、举办&，一般指非偶然性事件的&发生&，即这种事件的发生一定有某种原因或事
1.What do you think of...= How do you like...“你认为……怎么样?”2.A.hold back fromhold back有如下意义：抑制 Jim was able to hold back his anger.吉姆抑制住了愤怒.阻碍 He was held back fro
C.has happend
但是她补充道她很担心会看到这会发生在年轻人身上.听力困难可以影响到学习,这是很容易想象得到的事.我们认为很大声的时候和对这耳朵有伤害,两者是有区别的.
在我们的日常生活中,经常可以学到各种各样的人生经验.不久前,我就学到了一个人生经验,并且我十分愿意在这里与大家分享.那时候我正和我们的帆船队一起前往马布尔黑德,整个队伍都以85英里每小时的速度飞速行驶在高速公路上,这时候我们大家都觉得很饿.幸运的是,我们看到了前方就正好有一个休息区.我有一张特殊的钱,是一张新的20美元
你认为这个故事之后下一步会发生什么事情?
it was the third time that he came the village ti see these children.when he was coming in i happened to reading upstairs.肯定正确 是我自己翻的.
你认为将会发生什么你说的那是可以的,但是一般的话还是用你题目中的那句,比较常用的
读完这则故事后,你认为下一步将要发生什么
也许感兴趣的知识神神神文！！手把手教你使用Excel实现卷积网络
来源：Medium
编译：weakish
编者按：Dave Smith使用Excel电子表格深入浅出地讲解了卷积神经网络（CNN）是如何识别人脸的。
当你入门的时候，可能觉得机器学习很复杂……甚至很可怕。另一方面，电子表格却很简单。电子表格并不酷炫，但却能避免分散你的注意力，同时帮助你以直观的方式可视化代码后面发生的事情。
我将循序渐进地通过电子表格（你可以通过下面的链接下载）向你展示卷积神经网络（CNN）是如何应用于计算机视觉任务的。其中包括一些数学，不过电子表格中包含了所有的公式。
https://drive.google.com/open?id=1TJXPPQ6Cz-4kVRXTSrbj4u4orcaamtpGvY58yuJbzHk
如果无法访问Google网盘，可以在论智公众号（ID: jqr_AI）后台留言excel获取替代下载地址。
这一电子表格模型查看一幅图像，分析它的像素，并预测是否是Elon Musk、Jeff Bezos、Jon Snow……显然这三位是天网的最大威胁。
终结者视觉——在电子表格中创建卷积神经网络
本文将介绍上图中的9个步骤，每个步骤都会使用类比的方法给你的直觉增压。
本文的目标是使用容易操作的电子表格，提供入门机器学习的简单路径，并向充满好奇心的读者展示尖端AI技术的奥秘。如果本文对你有帮助，请注册我创建的邮件列表，注册后可以收到更多后续的电子表格，帮助你入门机器学习和创建神经网络。
Facebook面部识别系统、某国奥威尔式的大规模监控系统、你的汽车（不久的将来）背后的基础都是计算机视觉。
让我们假装终结者的头脑里住着一个特别的侦探，名叫“夏洛克·卷积·福尔摩斯”。他的工作是仔细查看证据（输入图像），使用敏锐的眼神和推理能力（特征检测），预测图像中的人是谁，从而破案（正确分类图像）。
卷积网络架构
你将学习：
输入：计算机如何看
特征检测：像福尔摩斯一样思考
卷积数学：福尔摩斯的侦探工具
ReLU：非线性模式识别
最大池化：保留最重要的线索
扁平化：排列所有线索
全连接：完成案件拼图
Logit + Softmax：破案
交叉熵损失：福尔摩斯的“正/误”
输入——一图胜千言
天网的最大威胁——Elon Musk
我从上面的图像中看到了一个有远见的人。他一方面不断改善地球这颗星球，另一方面创建逃离地球的火箭，以防终结者试图摧毁地球。和计算机不同，我看不到像素值，也无法辨认出一张图像不过是红光、绿光、蓝光的堆叠：
另一方面，一台计算机（比如天网）是瞎的……它只能看到数字。
想象一下由3张电子表格（红、绿、蓝）堆叠构成的电子图像，每张表格是一个数字矩阵。拍照的时候，相机测量到达每个像素的红光、绿光、蓝光的量。接着它在0-255的范围内评估每个像素，然后将其记录到电子表格中。
计算机看到电子表格
上为一张28x28的图像，每个像素由三行（红、蓝、绿）表示，取值范围0-255. 每个像素的颜色对应其数值。
终结者没有看到眼睛，他看到的是一串数字
将每种颜色单独放到一个矩阵中，我们得到了3个28x28矩阵，也就是我们之后用来训练神经网络的输入：
如果你想知道如何将任意图像转换成电子表格，请访问以下网址：
http://think-maths.co.uk/spreadsheet
你将学到如何得到一张“Ex拍”，你的Excel迷朋友们会喜欢的……相信我，在电子表格中找到你的马克杯（或者他们的）会让他们捧腹大笑的? （小图效果最佳）。
训练概览——像计算机，又像小孩
你刚出生的时候知道狗是什么样的吗？当然不知道。但随着时间的推移，你的父母会给你看书中、动画片中、真实生活中的狗的图像，渐渐地，你可以指着那些4条腿、毛茸茸的动物说“狗”。你的大脑中数亿神经元间的连接变得足够强，所以你可以识别狗。
终结者以同样的方式学习识别Elon。在一个被称为监督训练的过程中，人们给终结者看数千张Elon Musk、Jeff Bezos、Jon Snow的图像。刚开始，它只能随便乱猜（1/3的几率猜对），渐渐地，就像小孩一样，随着它在训练过程中看到越来越多的图像，它猜得越来越准。网络的连接（也就是“权重/偏置”）随着时间的推移而更新，使得它可以基于像素输入预测输出。这是我上一篇文章中讨论过的学习过程（梯度下降）。
CNN训练周期
卷积神经网络和普通神经网络的区别何在？
用两个词概括：平移不变性。
不知所云？让我们解构一下：
平移 = 将某物从一个地方移动到另一个地方
不变性 = 没有改变
在计算机视觉中，这意味着，不管对象移动到图像中的何处（平移），不会改变对象是什么（不变性）。
平移不变性（以及缩放不变性）
这需要训练卷积神经网络识别Elon的特征，不管Elon在图像中的位置在哪里（平移），也不管Elon在图像中的大小（缩放不变性）。
在普通神经网络中，我们本来会将每个像素作为模型的一个输入（而不是3个矩阵），但这忽略了相近的像素具有特别的意义和结构这一事实。在CNN中，我们查看像素组，这允许模型学习形状、线条等局部模式。比方说，如果CNN看到许多白像素包围一个黑圆圈，它会识别出眼睛这一模式。
为了达到平移不变性，CNN需要依靠它的特征侦探夏洛克·卷积·福尔摩斯的服务。
类比： 图像就像由像素组成的电子表格。
遇见夏洛克·卷积·福尔摩斯——特征侦探
寻找特征的夏洛克
夏洛克住在终结者的头脑中。他每次使用放大镜仔细检查一小片图像，寻找图像的重要特征（“线索”）。在收集到简单的线条和形状之类的线索后，他将它们堆叠起来，开始看到眼睛或鼻子之类的面部特征。
每个卷积层储存基于另一层构建的一组特征映射。最后，夏洛克组合所有线索，这样他就可以破案了（识别目标）。
每个特征映射就像一条线索
网络的每个卷积层都包含一组特征映射，这些映射能够以下图所示的层次化的方式识别越来越复杂的模式/形状。
CNN基于数字的模式识别找到任意图像的最重要特征。随着CNN以更多的网络层不断堆叠这些模式，它可以创建非常复杂的特征映射。
真实生活中的CNN和夏洛克做一样的事情：
CNN的奇妙之处在于可以自行学习这些特征……工程师不用编写寻找一双眼睛、一个鼻子、一张嘴的集合这样的代码。
以这种方式工作的工程师更像架构师，他们告诉夏洛克：“我给你两叠（‘卷积层’）空白特征映射（‘线索’），你的工作是分析图像，找出最重要的线索。第一叠有16个特征映射（‘线索’），第2叠有64个特征映射……现在发挥你的侦探技能，解决这个案件！”
类比： 每个特征映射就像案件中的一条线索。
为了查明案件中的“线索”（即计算特征映射），夏洛克需要依靠他的侦探工具箱中的一些工具，我们会逐一介绍：
过滤器 —— 夏洛克的放大镜 ?
卷积数学 —— 过滤器权重 x 输入图像像素
步进 —— 沿着输入图像移动过滤器 ? ? ? ?
补齐 —— 保护线索的犯罪现场隔离胶带 ?
夏洛克的放大镜/过滤器
毫无疑问，夏洛克非常敏锐，具备出色的观察技能，但是，如果没有那些特制的放大镜（过滤器），夏洛克没法完成他的工作。他使用不同的放大镜帮助填充每张空白特征映射的细节。所以，如果他有16个特征映射……他会有16块放大镜。
每块放大镜由多层玻璃组成，而每层玻璃由不同的权重组成。玻璃的层数，也就是过滤器深度，总是等于输入层的深度。
刚开始，夏洛克看到的输入图像有3层——红、绿、蓝。所以，放大镜也有3层。
随着我们进一步创建CNN，层的深度会增加，相应地，放大镜也会变厚。
为了创建1个特征映射（一条线索），夏洛克从取出一个放大镜，并置于输入图像的左上角开始。红层玻璃只能看到红输入图像，绿层玻璃只能看到绿图，而蓝层玻璃只能看到蓝图。
现在是数学部分。
特征映射中的每个像素是线索的一部分。为了计算每个像素，夏洛克需要进行一些基本的乘法和加法。
在下面的例子中，我们使用5x5x3的输入图像和3x3x3的过滤器，每个像素需要进行以下计算：
3x3x3过滤器每层的卷积乘法 = 27
将27个数字加起来
再加上1个数字——偏置
让我们仔细看下数学。一个像素需要27次乘法（3层，每层9次乘法），下面的截图显示了27次乘法中的9次：
至于偏置，你可以把它想象成放大镜的把手。像权重一样，它是模型的另一个参数，在训练过程中自动调整，以提高模型的精确度，并更新特征映射细节。
过滤器权重——在上面的例子中，我为了简化数学，将权重的值设为-1、0、1；然而，一般而言，你需要用较小的值随机初始化权重……比如0.01到0.1之间的值，基于钟形曲线或正态分布取样。想要了解更多权重初始化的知识，可以看这篇入门。
步进 —— 移动放大镜
计算特征映射的第1个像素之后，夏洛克将把放大镜往哪移呢？
步进：每次移动放大镜1像素
答案取决于步进参数。作为架构师/工程师，我们需要告诉夏洛克，他应该将他的放大镜向右移动（步进）多少像素。实践中最常见的步长值为2或3，但出于简单性，这里我们将步长设为1. 这意味着夏洛克将放大镜向右移动1像素，然后进行和之前一样的卷积运算。
当他的放大镜到达输入图像的最右边时，他将放大镜移到最左，然后往下移动1像素。
步长为何大于1？
优点：更少运算，内存中储存的运算结果更少，从而使模型更快。
缺点：由于跳过像素有错过模式的潜在可能性，损失了关于图像的数据。
2或3步长通常是合理的，因为紧跟着一个像素的像素通常具有相似的值，而隔着2-3个像素的像素，更可能具有不同的值，这样的值对特征映射/模式而言可能很重要。
如何预防信息损失（丢失线索）
为了破案，夏洛克刚开始接触案件的时候需要大量线索。在我们上面的例子中，我们的输入为一张5x5x3的图像，或者75像素信息（75 = 5 x 5 x3），在第一个卷积层后，我们得到了一张3x3x2的图像，或者18像素（18 = 3 x 3 x 2）。这意味着我们损失了证据，这让夏洛克的搭档约翰·华生非常反感。
在CNN的刚开始几层，夏洛克倾向于查看大量细微模式（更多线索）。在靠后的卷积层中，随着夏洛克堆叠细微的线索，查看较大的模式，“降采样”也就是降低像素的总量（更少线索）没什么问题。
那么，在CNN刚开始的时候，我们如何预防这样的信息损失呢？
一、补齐——通过补齐图像保护犯罪现场
在上面的例子中，我们在撞上右边缘前，只能移动过滤器3次……从上往下同样如此。这意味着我们所得输出的高/宽为3x3，从左往右，损失了2像素，而从上往下又损失了2像素。
为了预防这种信息损失，常见的做法是用零“补齐”原始图像（称为全零补齐（zero padding或same padding））……有点类似用犯罪现场隔离胶带确保没人破坏证据。
补齐之后，如果夏洛克再次使用相同的放大镜，他的两个特征映射的大小会是5x5而不是3x3.
这意味着我们最终得到了50像素的信息（5x5x2=50）。
50像素比18要好。不过别忘了……我们刚开始有75像素，所以我们仍然错过了一些线索。
所以我们还能做什么让夏洛克和约翰·华生满意？
二、更多过滤器——至少在我们的卷积层中加上一个特征映射，给夏洛克更多线索
模型对特征映射（“线索”）的数量并没有限制……这是我们可以控制的超参数。
如果我们至少将特征映射从2增加到3（5x5x2到5x5x3），那么总输出像素（75）就和输入像素（75）相等了。如果我们将映射增加到10，那么我们会有更多信息供夏洛克探究（5x5x10 = 250）。
事情变得越来越有趣了
总结一下，刚开始几层的信息像素总数一般高于输入图像，因为我们想要给夏洛克尽可能多的细微模式/线索。在网络的最后几层，我们常常进行降采样，信息像素变少，这是因为这些层识别图像中较大的模式。
类比： 过滤器就像放大镜，而补齐就像犯罪现场隔离胶带。
非线性模式识别——ReLU
给夏洛克足够的案件信息很重要，但现在到了进行真正的侦探工作的时候了——非线性模式识别！比如耳廓和鼻洞。
到目前为止，夏洛克进行了大量数学运算以构建特征映射，但所有运算都是线性的（在每个输入像素上进行一些乘法和加法操作），因此，他只能识别像素的线性模式。
为了给CNN引入非线性，我们将使用一种称为修正线性单元（Rectified Linear Unit）的激活函数，简称ReLU。在我们初次进行卷积运算得出特征映射后，每个值都通过这一函数，看看是否点亮/激活。
如果输入值是负数，那么输出将为零。如果输入值是正数，那么输出将和输入一样。ReLU就像一个开关，让特征映射的每个值通过ReLU之后，就创建了非线性模式识别。
回到我们原本的CNN例子，我们在卷积之后马上应用ReLU：
尽管有许多非线性激活函数可以为神经网络引入非线性（Sigmoid、Tanh、Leaky ReLU等），ReLU是CNN中目前最流行的激活函数，因为ReLU在算力上很高效，能加快训练。你可以参阅Andrej Karpathy的overview on non-linear activation functions了解每种函数的优劣（译者注：也可以参考理解神经网络的激活函数，同样比较了不同激活函数的优劣）。
类比： ReLU就像开关。
最大池化——在大脑阁楼中保留关键的少量信息
现在夏洛克有一些特征映射（“线索”）要查看，如何确定哪些信息是关键的，哪些信息是无关的细节？最大池化。
夏洛克认为人类的大脑就像一个空阁楼。傻瓜会在里面存放各种各样的家具和物品，让有用的信息在一堆杂物中不知所踪。而智者仅仅储存最重要的信息，从而在需要的时候可以快速做出决定。从这个意义上说，最大池化是夏洛克版的大脑阁楼。为了更快地做出决定，他只保留最重要的信息。
通过最大池化，夏洛克在相邻的像素中仅仅保留最大值，证据中最重要的部分。
例如，如果他查看一个2x2区域（4像素），他仅仅保留其中值最高的像素，丢弃其余3个像素。这一技术让他可以快速地学习，同时也有助于他概括（而不是“记忆”）可用于未来图像的线索。
和之前的放大镜过滤器类似，我们同样可以控制最大池化的步长和大小。在下面的例子中，我们将步长设为1，池化尺寸设为2x2：
最大池化之后，我们完成了1回合卷积/ReLU/最大池化。
典型的CNN在分类器之前会有若干回合卷积/ReLU/池化。在每一回合中，我们将在增加深度的同时挤压高/宽，这样我们不会在此过程中遗失证据。
第一步至第五步，我们专注于收集证据，现在是时候让夏洛克查看所有线索，侦破案件了：
现在我们已经有了证据，让我们开始挖掘证据的意义……
类比： 最大池化就像夏洛克的阁楼理论，保留关键信息，抛弃驳杂无用的信息。
在训练周期的末尾，夏洛克得到了堆积如山的线索，需要找到一下子查看所有线索的方式。每条线索不过是一个2维矩阵，但我们有堆叠在一起的数以千计的矩阵。
作为一名私家侦探，夏洛克很擅长应付这样的混沌，但他需要将证据呈上法庭，整理证据以供陪审团查看。
扁平化之前的特征映射
他通过一种简单的转换技术（称为扁平化）做到了这一点：
将每个由像素组成的2维矩阵转换为一列像素
将原本的二维矩阵（现在的一列像素）一个接一个地排列起来
在人类的眼睛看来，变换是这样的：
而在计算机看来，是这样的：
现在夏洛克已经整理好证据了，是时候说服陪审团证据清楚地指向一个嫌疑人。
类比：扁平化就像把证据呈上法庭。
在全连接层中，我们将方方面面的证据连接起来。某种意义上，我们完成案件的拼图，向评审团表明证据和每个嫌疑人之间的联系：
在计算机看来，全连接层是这样的：
在扁平层的每份证据和3个输出之前是一组权重和偏置。类似网络中的其他权重，这些值会在刚开始训练CNN的时候随机初始化，而随着时间的推移，CNN将“学习”如何调整这些权重/偏置以得到更精确的预测。
现在，到了夏洛克揭晓谜底的时间了！
类比：全连接层就像说服陪审团下决定。
在CNN的图像分类器阶段，模型的预测为得分最高的输出。模型的目标是让正确的输出得分最高，而让错误的输出得分较低。
评分分为两部分：
Logit分数——原始得分
Softmax——每个输出的概率（0-1之间）。所有输出得分之和等于1.
1. Logit——逻辑得分
每个输出的Logit得分是一个基本的线性函数：
Logit得分 = (证据 x 权重) + 偏置
每片证据乘以连接证据至输出的权重。所有乘积相加，最后加上偏置项，得分最高的为模型的猜测。
所以，为什么不到此为止？直观地说，有两个原因：
夏洛克的置信度——我们想要知道夏洛克对结果有多自信，这样，当夏洛克的置信度很高同时他是正确的时候，我们会奖励他，而在夏洛克的置信度很高同时他是错误的时候，我们会惩罚他。我们在下一部分计算损失（“夏洛克的精确度”）时会具体讨论奖励/惩罚。
夏洛克的置信度加权概率——我们想要能够方便地解释这些0到1之间的概率，并且我们想要预测得分和实际输出（0或1）处于同一尺度。实际正确的结果（Elon）的概率为1，其他错误的结果（Jeff和Jon）的概率为0. 将正确输出转为一，错误输出转为零的过程称为独热编码。
夏洛克的目标是让他对正确输出的预测尽可能接近1.
2. Softmax——夏洛克的置信度加权概率得分
2.1 夏洛克的置信度
为了得出夏洛克的置信度，我们以e（等于2.71828…）为底数，以logit得分为指数。这样，一个较高的得分将变为非常高的置信度，而一个较低的得分将变为非常低的置信度。
这番指数运算同时也确保了我们不会有任何负分（logit得分“可能”是负数）。
2.2 夏洛克置信度加权概率
为了得出置信度加权概率，我们将每个输出置信度除以所有置信度得分之和，这就确保了所有概率之和为1.
softmax分类器很直观。夏洛克认为有97%（置信度加权）的几率终结者查看的图像是Elon Musk.
模型的最后一步是计算损失。损失告诉我们侦探夏洛克到底有多棒（或者到底有多糟）。
类比：Logit + Softmax就像查看一排嫌疑人，并指出罪犯
所有神经网络都有一个损失函数，用来比较预测和实际值。在CNN训练的过程中，随着网络权重/偏置的调整，预测改进了（夏洛克的侦探技能变得更厉害了）。
CNN最常用的损失函数是交叉熵。用Google搜索交叉熵出现的一些解释都涉及大量希腊字母，很容易让人困惑。尽管这些描述各不相同，在机器学习的语境下它们都意味着一样东西，我们下面将介绍最常见的3种解释，便于你理解。
在描述每种公式变体之前，先概括一下它们的共同点：
比较正确分类的概率（Elon，1.00）和CNN的预测（Elon的softmax得分，0.97）。
当夏洛克对正确分类的预测接近1时（低损失），奖励他?
当夏洛克对正确分类的预测接近0时（高损失），惩罚他?
结果是一样的！3种不同的解释……
1号解释——衡量实际概率和预测概率的距离
距离捕捉了以下直觉：如果对正确标签的预测接近1，那么损失接近0. 如果对正确标签的预测接近0，那么将受到严厉的惩罚。目标是最小化正确分类的预测（Elon，0.97）和正确分类的实际概率（1.00）的距离。
赏罚“对数”公式背后的直觉将在2号解释中讨论。
2号解释——最大化log似然或最小化负log似然
在CNN中，“对数”实际上指“自然对数（ln）”，它是softmax中以自然对数为底的指数的逆运算。
对夏洛克远离1.00的预测而言，相比直接从实际概率（1.00）中减去预测概率（0.97）来计算损失，对数运算将惩罚以指数级别加重了。
最小化负对数似然和最大化对数似然均导向softmax预测趋向1.0，损失趋向0.0的结果。
3号解释——KL散度
KL（Kullback-Leibler）散度衡量预测概率（softmax得分）和实际概率的差异。
KL散度的公式包括两部分：
实际概率的不确定性。
使用预测概率损失的信息量。
在监督学习分类问题的模型训练中，实际概率的不确定性总是等于0. 我们百分之百确定训练图像的分类无误。此时，最小化预测概率分布和实际概率分布之间的KL散度等价于最小化交叉熵。
类比：交叉熵损失就像评估夏洛克的侦探技能。
在夏洛克·卷积·福尔摩斯这位特别的侦探的帮助下，终结者有了一对能够搜索并摧毁自由世界的保护者Elon Musk的眼睛（对不住了，Elon！）。
虽然我们仅仅训练了终结者识别Elon、Jeff、Jon……天网有无穷多的资源，可以随意训练图像，因此天网可以利用我们创建的模型训练终结者识别任何人类和物体。
订阅邮件列表和分享
如果你喜欢本文，并想收到更多通过Excel进行机器学习的内容，可以访问excelwithml.com免费订阅邮件列表。
你也可以在Twitter上关注ExcelwithML。
更多可交互资源
画一个数字，查看CNN如何预测它：http://scs.ryerson.ca/~aharley/vis/conv/flat.html
用Google和你的摄像头训练自己的CNN: https://experiments.withgoogle.com/teachable-machine
Andreij Karpathy的实时图像分类模型：https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html
Fast.AI讲解CNN的视频（不可交互，不过是一个很好的讲座）：https://www.youtube.com/watch?time_continue=2548&v=9C06ZPF8Uuc
在未来与机器的战争中，我们的命运就在你的手中?
原文地址：https://towardsdatascience.com/cutting-edge-face-recognition-is-complicated-these-spreadsheets-make-it-easier-e7864dbf0e1a
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点2添加评论分享收藏感谢收起什么是大儒,什么又是小儒?有什么区别
问题描述：
什么是大儒,什么又是小儒?有什么区别
问题解答：
孔明答曰：“儒有小人君子之别.君子之儒,忠君爱国,守正恶邪,务使泽及当时,名留后世.——若夫小人之儒,惟务雕虫,专工翰墨,青春作赋,皓首穷经；笔下虽有千言,胸中实无一策.且如杨雄以文章名世,而屈身事莽,不免投阁而死,此所谓小人之儒也；虽日赋万言,亦何取哉!”参考资料：《三国演义》第四十三回大儒 有学问 品德又高尚的人 小儒 有学问 但品德差的人
我来回答：
剩余:2000字
在资本主义社会中,在经济基础方面,大致可以分为两种人,按两种谋生手段生存.一种是投资者,主要靠投资的回报来获得经济利益.另一种是工薪者,主要靠拿每月的薪水来作为谋生的手段.而投资者,就被定义为资产阶级.比方说,如果一个人在中国想要专门靠买卖股票为生,不再上班挣钱,也不找工作,他大致需要多少钱呢?假设每月通过炒股挣到五千
在资本主义社会中,在经济基础方面,大致可以分为两种人,按两种谋生手段生存.一种是投资者,主要靠投资的回报来获得经济利益.另一种是工薪者,主要靠拿每月的薪水来作为谋生的手段.而投资者,就被定义为资产阶级.\x0d比方说,如果一个人在中国想要专门靠买卖股票为生,不再上班挣钱,也不找工作,他大致需要多少钱呢?假设每月通过炒股
开打火棍那里.非产突出的是大轴.比较扁的是小轴!对比一下就知道了!大轴比较耐开一点,其实小轴只有发动机好也不错...
压大胯就压得低一些,压小胯不需要压得太低. 再问： 审美意思,怎么压? 再答： 两脚分开，脚尖朝前。压大胯，两脚分开，宽于肩，往左侧下压就左腿曲右腿直；往右侧下压就右腿曲左腿直。压小胯就幅度小一些，两脚分开的幅度则与肩同宽。
　　小鳄龟属水栖龟类.喜栖在有松软的底泥和水草的河、塘及湖泊中在自然界,觅食昆虫、小虾、水螨、鱼卵、小鱼、蟾蜍、蛇及藻类人工饲养条件下,食鱼、瘦肉等动物性饵料,也食黄瓜、香蕉等瓜果蔬菜.鳄龟生长速度较其它龟类快,雌雄生长速度因水温不同而有差异.当水温30℃以上时,雌龟生长速度较快,当水温22-28℃期间时雄龟生长较快.
父亲年龄为a,有a-28=a/8.则a=32,小明年龄为4岁.
54×6分之1=9 9÷3分之1=27
设小明今年x岁,则父亲今年为8x,根据题意,得8x-x=28
暴走大事件第一季第2、7、9集暴走大事件第二季第2、5、13集暴走大事件第三季第7集 再问： 谢谢。
没有煤气了
数学：英语：300*4/5=240 小练习：240/（6/7）=280 设全场x. x-1/4x-1/5x=180 x=语文： 望洋兴汉 昔时金阶白玉堂,即今唯见青松在 物是人非
“管道光缆”顾名思义就是在通信管道里面布放的光缆,同样的东西拿到电杆上就是架空光缆了.如果埋在土里面就是直埋光缆.
1.石英管不知道你说的是哪一种,是石英比色皿么,如果是的话是用于在紫外光区（400nm以下）测吸光度.如果是一般的石英玻璃管的话,我给你一个链接http://baike.baidu.com/view/1065460.html?wtp=tt2.安全管有很多种,很多有机实验里是用来防倒吸的,还有的是防止体系密闭的,如水蒸气
小杯200ml 大杯400ml 再问： 你确定是这个数？ 再答： 是的啊 经常喝
因为早上地球表面有云气,透过云气来看太阳,就显得太阳大.中午云气消散,就显得太阳小,其实太阳的大小并没有变.根据不同感觉来说明地面距离太阳的远近,并不正确.一个小儿说,太阳早上凉快,中午热,从身体对温度的感受来说明太阳距离地面的远近,也不正确.因为在夜里太阳照射到地面上的热度消散了,所以早上感到凉快；中午,太阳的热度照
漂浮在天空中的云彩是由许多细小的水滴或冰晶组成的,有的是由小水滴或小冰晶混合在一起组成的.有时也包含一些较大的雨滴及冰、雪粒,云的底部不接触地面,并有一定厚度.以上是云的组成.云虽然大而且重,但是密度小,所以空气浮力可以平衡掉它的重力.就像把一块几吨重的泡沫（那么大又那么重吧?）扔到海里,还是会浮在水面上一样.初中高中
根据“串联电路的电流相等,并联电路电压相等”功率P=V*V/R或P=I*I*R,其中V表示电压,I表示电流,R表示电阻在并联电路中,电压相等,故功率P与电阻R成反比,即电阻大功率小；而串联电路中,电流相等,故功率P与电阻成正比,即电阻大功率大.假设有R1及R2两个电阻,对于并联电路：P1=V*V/R1,P2=V*V/R
儒 rú ㄖㄨˊ (1) 指读书人：～生.腐～.通～（指博识多闻的大学者）.～林（儒者之林,旧指学术界）.～雅（读书人所具有的温文尔雅的风貌）. (2) 中国春秋战国时代以孔子、孟子为代表的一个学派：～家.～教（即“孔教”）.～士.～术.～学. (3) 古同“懦 ”,懦弱. (4) 郑码：NFGL,U：5112,GBK
①本文成功地描写了荷塘的月色和月下的荷塘,于景色描写中寄托着自己的真情实感,这种成功,也得益于他对语言的巧妙运用. 文章多处使用比喻、通感、叠字等,使得全文语言典雅,充满诗情画意.比如作者连用三个比喻写静态的荷花,“正如一粒粒的明珠,又如碧天里的星星,又如刚出浴的美人”,绘出了淡月辉映下荷花的晶莹剔透,绿叶衬托下荷花的
也许感兴趣的知识