朴素贝叶斯算法不需要样本特征之间的独立
同分布。

RCNN三大不足是（）

传统目标检测分类的方式有（）

传统目标检测提取特征的方式有（）

目标检测存在的挑战有（）

目标检测的应用场景有（）

在Skip-gram的实际实现中，vocab_size通常很大，导致W非常大。为了缓解这个问题，通常采取（）的方式来近似模拟（）任务。

Skip-gram的算法实现包括（）几个部分？

word2vec包含两个经典模型，（）和（）。

通过计算这些向量之间的（），就可以计算出词语之间的（），从而达到让计算机像计算数值一样去计算自然语言的目的。

假设在卷积操作过程中，对于size为3*3的image,如需提取100个特征，卷积层需要（）个卷积核，假设卷积核大小为4,则共需（）个参数。