目前，RPA开发模式切换不包括（）。

R-CNN的系列算法分成两个阶段，先在图像上产生候选区域，再对候选区域进行分类并预测目标物体位置，它们通常被叫做两阶段检测算法。

目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置

由于卷积核比较小，可以堆叠更多的卷积层，加深网络的深度，这对于图像分类任务来说是不利的。

AlexNet与LeNet相比，具有更深的网络结构，包含5层卷积和3层全连接。

损失函数的设计依赖于具体的任务。

单个卷积核可以提取多个特征。

简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。

CNN不可用于文本分类，RNN可用于文本分类。

高方差是指模型过拟合了，导致在测试集中的泛化能力较差。

降维是通过获得一组基本上是重要特征的主变量来减少所考虑的特征变量的过程。