這個模型自然地為每個類處理可變數量的實例，并允許在網絡的最高級別上進行跨類泛化。目標檢測是計算機視覺的基本任務之一。解決這個問題的一個常見例子是訓練在子圖像上操作的對象檢測器，并在所有地方和尺度上以詳細的方式應用這些檢測器。這個例子已經在差分訓練之后成功地應用于可變形零件模型(DPM ),以實現檢查任務的最新結果。

訓練樣本用于訓練學習機，測試樣本是學習機要識別的對象。比如你想讓計算機識別一個茶杯，首先要準備一個茶杯(訓練樣本)，然后把茶杯展示給計算機(數據 input)，告訴計算機這個東西是茶杯(預期輸出)。電腦看到茶杯后，以為是花盆，但看到你的期待是茶杯，他就不斷訓練自己是不是茶杯。直到計算機認為茶杯是茶杯才結束(這個過程叫做學習)。然后你把另一個茶杯(測試 sample)放在電腦前，問他這是什么？計算機計算后告訴你是茶杯(這個過程叫識別)。

1，將算法引入神經 網絡:可以將算法引入神經 網絡的訓練過程中，以增強網絡的性能。例如，在訓練過程中，采用優(yōu)化算法(如梯度下降法)更新網絡的權值和偏移量，使損失函數最小。這樣有助于神經-3/更好的學習和適應數據。2.神經 網絡Output作為算法的輸入:取神經網絡的輸出作為算法的輸入，實現更復雜的任務。比如神經 網絡可以用來對圖像進行分類，然后將分類結果傳遞給其他算法進行進一步處理，比如物體檢測、圖像分割等。

比如可以用神經 網絡提取特征，然后將提取的特征輸入到傳統(tǒng)的分類器(比如支持向量機、決策樹等。)進行分類。4.強化學習中的算法組合與神經 網絡:在強化學習中，神經 網絡可作為價值函數逼近器(value function approximator)一種策略逼近器，與強化學習算法(如Qlearning、策略梯度)組合使用。這樣可以實現復雜環(huán)境下決策和行為的學習和優(yōu)化。

Reference:可以判斷問題的原因來自兩個方面，一方面是模型過擬合，另一方面是訓練集和測試machine數據domain不同。至于問題的位置，建議按照先易后難的角度，即先檢查訓練集和測試 set是否有不同的域，再檢查模型是否過擬合，1.對數據 domain的考察具體是指訓練集的數據和測試 set的分布不一致，具體有以下幾點:(1) 數據 source分布不同:比如在圖像處理中，在語音識別中，訓練集音頻普通話較多，而測試 set方言較多；(2 )/ -4/set的噪聲干擾不同:比如在圖像中，訓練集的圖像都是正常拍攝的，而測試 set的圖像都是暗淡或模糊的；在語音識別中，訓練集可能都是清晰的音頻，但是測試 set有很多背景噪音。