年轻人起来冲

本文从极限入手，一步步讲解到导数、偏导数、梯度，是神经网络反向传播的核心，后续在此基础上进一步展开讲解到泰勒公式，泰勒公式其实就是使用多阶导数去接近原始函数，就是韩式表达式的分解表示，类似与神经网络向不同层进行后向传播

YOLOv 1 的基础上，引入锚框的思想，并通过新的骨干网 Darknet 19、批规范化 (BatchNormalization, BN)、先验框、多尺度训练等技术，实现比 YOLOv 1 更快、更好的目标

RefineNet 是一个采用 encoder-decoder 的语义分割网络，类似于 Unet，频繁采用上采样和跨连接，不同在于 UNet 在上采样后直接和 encoder 的 feature map 进行级联，RefineNet 上采样后把 encoder 产生的 feature 和上一阶段 decoder 的输出同时作为输入

本文从标量、向量入手，讲解到矩阵、张量，并讲解了矩阵与张量的运算规则，对于神经网络来说，张量之间更多的是：矩阵相乘 (卷积提取特征)、矩阵内积 (transformer 计算自注意力)

本文介绍连续型随机分布，表示一个区间内的事件的概率，需要记住的只有连续型均匀分布、正太分布

假设建议是根据现有试验，推断出其满足的分布，一般是假设试验满足分布，然后在置信度区域内计算随机变量，如何随机变量出现在该置信度接受区域内，则接受假设，否则拒绝假设

本文主要通过假设，去检验样本是否符合某个分布

参数估计就是就是根据已观察到的试验去估计分布公式上的参数，常用的方法有极大似然函数

本文讲了几个离散型分布，表示有限事件发生的概率，日常使用记住这 3 个即可伯努力分布 (2 点分布)、均匀分布、正太分布

本文分为两部分，第一部分先从随机变量讲起，然后讲解概率分布、概率质量、概率密度函数，尤其需要把握的是先验概率、后验概率、条件概率、全概率以及贝叶斯定理。第二部分讲解随机变量距离的计算方式