元素不可见 如图，想要控制selenium在该输入框内输入路径，但是点击该输入框在该文件管理器非全屏的情况下会触发点击的是个人空间箭头的情况： 也就是并没有找到真正的输入框，但是通过控制台选择元素的方式无法找到真正的输入框，那么很可能是因为输入框被隐藏了，只有在手动点击后才会显示出来。 点击输入框后： 如果Selenium直接选择该输入框，由于该输入框不可见，无法点击，也无法输入内容，因此

获取数据 requests库 requests库为第三方库，Python不内置，需要手动安装： 1pip install requests 或 1pip3 install requests GET请求 如果要向网页发送GET请求，使用requests库中的get方法： 123import requestshttp = requests.get('http://httpbin.org/ge

使用smtplib、email发送邮件 smtplib库是python自带的库，专门用于发送邮件。使用smtplib，我们可以通过SMTP协议与邮件服务器进行通信，从而发送邮件。 email库也是python自带的库，提供了构造和解析电子邮件消息的API，我们可以用它来创建包含文本、HTML、附件等内容的复杂邮件消息，也可以解析来自文件、字符串或网络的邮件消息 smtplib的使用 导入smtpl

未经过（批量）归一化的多层神经网络会出现什么问题 Internal Covariate Shift Internal Covariate Shift，简称ICS，中文名为内部协变量偏移。 我们先来看一组神经网络： 神经网络 其中，第一层为输入层，最后一层为输出层，其余为隐藏层： 神经网络 隐藏层1接收的是输入层的数据，隐藏层2接收的是隐藏层1的数据，隐藏层3接收的是隐藏层2的数据，输出

介绍 DenseNet，全称为Densely Connected Convolutional Networks，即密集连接卷积网络，是一种深度卷积神经网络模型。它由Gao Huang等人于2017年提出，旨在改善神经网络中的信息流动和梯度的传播。 原理 DenseNet的主要特点是其“密集连接”机制，即每一层的输入是前面所有层输出的并集，而其输出又被直接传递给后面所有层作为输入。这种连接方式使得网

什么是Dropout Dropout方法，中文名称为丢弃法、暂退法。顾名思义，这个方法会选择丢弃一部分的神经元，从而达到减轻过拟合的目的。 Dropout一般用于全连接层部分。 Dropout为什么能缓解过拟合 Dropout是一种常用的深度学习正则化技术，可以有效缓解过拟合问题。其基本思想是在训练过程中随机地“丢弃”（即暂时移除）神经网络中的一部分单元（神经元），以减少模型对特定神经元的依赖，从

Softmax计算公式 给定一个向量\(\mathbf{z}\)，其元素为\(z_1,z_2,\cdots,z_n\)，Softmax函数定义为： \[ \mathrm{Softmax}(z_i) = \frac{e^{z_i}}{\sum_{j=1}^{n}e^{z_j}} \] 其中，\(e\)是自然常数，\(z_i\)是向量\(\mathbf{z}\)的第\(i\)个元素，求和是在所有元素上

R-CNN R-CNN 模型 R-CNN首先从输入图像中选取若干（例如2000个）提议区域，并标注它们的类别和边界框（如偏移量）。然后用卷积神经网络对每个提议区域进行前向传播以抽取其特征。接下来，我们用每个提议区域的特征来预测类别和边界框。 R-CNN的主要思想是利用候选区域生成算法提取可能的物体区域，然后利用卷积神经网络（CNN）提取这些区域的特征，最后通过支持向量机（SVM）进行分类。

什么是卷积 在数学上，卷积（又名褶积），是通过两个函数\(f\)和\(g\)生成第三个函数的一种数学运算，其本质是一种特殊的积分变换： 设\(f(x),g(x)\)是\(R\)上的两个可积函数，则卷积为： \[ h(x) = \int_{-\infty}^{+\infty}f(\tau)g(x-\tau)d\tau \] 由上式可知，卷积是两个变量在某范围内相乘后求和的结果。如果卷积变量的序列是\

什么是学习率衰减 加快算法学习速率的一个办法就是随着时间慢慢减小学习率，我们称之为学习率衰减（Learnign rate decay） 为什么要学习率衰减 训练初期，我们希望神经网络学习速度快，代价函数能够迅速收敛，这个时候我们会选择较大的学习率。 当我们逐渐靠近极小值时，如果依旧使用比较大的学习率，很有可能会导致“步幅过大”，参数更新过猛，导致越过了最低点，同理，当我们到达了另外一侧后，很有可能