发布时间：
要真正的高手才可以动手
你这个问题太宽泛了，那个论文出来怎么指导啊，我只能给你点方向性建议。针对你的五个问题方向性给你点建议。这个五个问题我详细看了，多数是实践和理论结合的。实践为主理论为辅的问题。如果你只有空洞的理论，那么内容肯定不丰富。如果让你没有实践的前提下让你去写出来也不现实。就此我给你一点捷径式的方向性指向，至于你能明白多少写出多少就不好说了，因为个人理解力还是有差别的。问题一：主要是问在一个具体网络中网络设备、接入、应用和管理等成本预算，以及投入使用后的效果，简单的讲就是性价比，还有就是日常维护等方面的日常费用支出，可以算作是人员工作月或者人员工资月。建议不要以太大或者太小的公司规模为例，应该以100-250人之间。因为太大，那么就是规范规模性的网络，那样比较靠近理论。如果太小，不用理论那么没有太多学术性东西，只有灵活变通部分，就像家里adsl共享上网或者4口小路由器上网一样，没什么值得谈的，只能谈应用中的设置，就没什么意义了。至于100-250人之间就看你怎么设计和分析了，注意是性价比，不适价性比。也就是说性能为主，那么预算和成本怎么算合适呢，那就可以着眼于以后的成本投入等问题。问题二：是问单位内部信息化和现代化办公中于各部门业务相关的专业应用软件。非oa、非邮件系统、非网站等通用功能的软件方面的调查，这个就得实际情况分析了。建议从人力资源、财务、客户关系、电子档案等方面去找资料来写。问题三：是结合上述两个问题和现有资源，怎么合理的投入并且使得信息化建设符合实际情况及应用效果，来提高单位内部管理质量和工作效率，创造更多无形价值。这个要根据个人对IT界内地软硬件多方面知识和经验积累才能综合的写出合理化的信息化建设方案上的建议。这个比较考经验。问题四：是问市面上主流硬件产品，及实际单位中更新换代情况。这个结合不是从单位来分析的，而是把单位中硬件方面的不足通过现有主流硬件产品的功用性能等体现出来。这方面比较考察一个人的文字功底，总结归纳的功底，还有就是通过上述几个问题的集合来考逻辑思维了。问题五：这个考的比较现实，但是比较难答，因为这个问题是考的人才需求的观察，如果没有人力资源方面的工作经验是很难想到的，除非你有对社会长期的认知和长时间的思考，比如大学生毕业途径、就业途径、就业技能、择业选择、价值趋向等等，多方面才能设计出类似人生规划和职业规划的文字来描述该问题。综上不知道能否解释你的论文方面的疑惑。^_^
计算机网络毕业论文计算机网络在电子商务中的应用摘要：随着计算机网络技术的飞进发展，电子商务正得到越来越广泛的应用。由于电子商务中的交易行为大多数都是在网上完成的， 因此电子商务的安全性是影响趸易双方成败的一个关键因素。本文从电子商务系统对计算机网络安全，商务交易安全性出发，介绍利用网络安全枝术解决安全问题的方法。关键词：计算机网络，电子商务安全技术一． 引言近几年来．电子商务的发展十分迅速 电子商务可以降低成本．增加贸易机会，简化贸易流通过程，提高生产力，改善物流和金流、商品流．信息流的环境与系统 虽然电子商务发展势头很强，但其贸易额所占整个贸易额的比例仍然很低。影响其发展的首要因素是安全问题．网上的交易是一种非面对面交易，因此“交易安全“在电子商务的发展中十分重要。可以说．没有安全就没有电子商务。电子商务的安全从整体上可分为两大部分．计算机网络安全和商务交易安全。计算机网络安全包括计算机网络设备安全、计算机网络系统安全、数据库安全等。其特征是针对计算机网络本身可能存在的安全问题，实施网络安全增强方案．以保证计算机网络自身的安全性为目标。商务安全则紧紧围绕传统商务在Interne'(上应用时产生的各种安全问题．在计算机网络安全的基础上．如何保障电子商务过程的顺利进行。即实现电子商务的保密性．完整性．可鉴别性．不可伪造性和不可依赖性。二、电子商务网络的安全隐患1窃取信息：由于未采用加密措施．数据信息在网络上以明文形式传送．入侵者在数据包经过的网关或路由器上可以截获传送的信息。通过多次窃取和分析，可以找到信息的规律和格式，进而得到传输信息的内容．造成网上传输信息泄密2．篡改信息：当入侵者掌握了信息的格式和规律后．通过各种技术手段和方法．将网络上传送的信息数据在中途修改 然后再发向目的地。这种方法并不新鲜．在路由器或者网关上都可以做此类工作。3假冒由于掌握了数据的格式，并可以篡改通过的信息，攻击者可以冒充合法用户发送假冒的信息或者主动获取信息，而远端用户通常很难分辨。4恶意破坏：由于攻击者可以接入网络．则可能对网络中的信息进行修改．掌握网上的机要信息．甚至可以潜入网络内部．其后果是非常严重的。三、电子商务交易中应用的网络安全技术为了提高电子商务的安全性．可以采用多种网络安全技术和协议．这些技术和协议各自有一定的使用范围，可以给电子商务交易活动提供不同程度的安全保障。1．防火墙技术。防火墙是目前主要的网络安全设备。防火墙通常使用的安全控制手段主要有包过滤、状态检测、代理服务 由于它假设了网络的边界和服务，对内部的非法访问难以有效地控制。因此．最适合于相对独立的与外部网络互连途径有限、网络服务种类相对集中的单一网络(如常见的企业专用网) 防火墙的隔离技术决定了它在电子商务安全交易中的重要作用。目前．防火墙产品主要分为两大类基于代理服务方式的和基于状态检测方式的。例如Check Poim Fi rewalI-140是基于Unix、WinNT平台上的软件防火墙．属状态检测型 Cisco PIX是硬件防火墙．也属状态检测型。由于它采用了专用的操作系统．因此减少了黑客利用操作系统G)H攻击的可能性：Raptor完全是基于代理技术的软件防火墙 由于互联网的开放性和复杂性．防火墙也有其固有的缺点(1)防火墙不能防范不经由防火墙的攻击。例如．如果允许从受保护网内部不受限制地向外拨号．一些用户可以形成与Interne'(的直接连接．从而绕过防火墙：造成一个潜在的后门攻击渠道，所以应该保证内部网与外部网之间通道的唯一性。(2)防火墙不能防止感染了病毒的软件或文件的传输．这只能在每台主机上装反病毒的实时监控软件。(3)防火墙不能防止数据驱动式攻击。当有些表面看来无害的数据被邮寄或复制到Interne'(主机上并被执行而发起攻击时．就会发生数据驱动攻击．所以对于来历不明的数据要先进行杀毒或者程序编码辨证，以防止带有后门程序。2．数据加密技术。防火墙技术是一种被动的防卫技术．它难以对电子商务活动中不安全的因素进行有效的防卫。因此．要保障电子商务的交易安全．就应当用当代密码技术来助阵。加密技术是电子商务中采取的主要安全措施，贸易方可根据需要在信息交换的阶段使用。目前．加密技术分为两类．即对称加密／对称密钥加密／专用密钥加密和非对称加密／公开密钥加密。现在许多机构运用PKI(punickey nfrastructur)的缩写．即 公开密钥体系”)技术实施构建完整的加密／签名体系．更有效地解决上述难题．论文其他部分请参考下面的网址： 采纳哦
论文参考文献你还在手动输入吗？利用知网直接生成期刊类参考文献，让你轻松应对各种参考文献格式带来的烦恼！
煦航论文自动排版软件可以一键排版，自动生成毕业论文、开题报告、任务书。
官网：
软件有三大功能。
一、自动生成毕业论文。
二、自动生成任务书。
三、自动生成开题报告。
通过提前录入课题名称、学生信息、论文摘要、论文关键字、论文正文、感谢页内容、申明页内容、参考文献、课题来源、课题的目的与意义、课题的要求、课题的主要内容与进度、开题报告内容等信息，即可自动生成上述三种文档。生成后的文档文件名命名格式为：
[论文正文] 专业.学号.姓名
[任务书] 专业.学号.姓名
[开题报告] 专业.学号.姓名
支持录入文字和图片，章节序号、参考文献序号、图片的序号不用输入，本软件会自动实时生成。
支持自动插入页码，其中封面页不插入，摘要页到目录页插入的页面格式为罗马数字，论文正文等内容插入的页面格式为普通数字。
支持选择仅生成论文的部分模块。
支持封面页和摘要页中文内容翻译为英文（调用百度翻译接口，翻译结果仅供参考）。
支持设置界面颜色，学生可以自主选择自己喜欢的演示，让生成论文的过程变得轻松愉快。
毕业论文排版过程论文写作完毕之后，我们还需要在word文档中进行格式排版。我在上学吧论文查重上看到一篇毕业论文排版过程，希望对你有所帮助。当然，我们把论文排版都处理好之后，还需要进行论文查重，为了避免在学校熬夜排队进行论文查重检测修改，还不如在上学吧论文查重检测平台提前检测选择【知网PMLC本科论文查重、知网VIP硕博论文查重、知网期刊论文查重、知网大分解论文查重、知网小分解论文查重、Paperfree论文查重、万方论文检测、维普论文检测。】1、为标题建立新样式步骤：格式->样式和格式->新样式，在弹出的对话框设置标题的各种值，选中标题，点击样式格式栏中刚才新建的“GXM的标题”，论文中的标题会变化。说明：如果对于新建的样式有不满意的地方可以修改新建的样式，修改后使用该样式的额文本会自动更新。2、建立各级标题步骤：选中同一级别的标题(选择不连续的文本按住CTRL键)，点选样式格式对话框中的“标题X”(如果是一级标题，选择标题1).说明：该操作的时候论文最好切换到大纲视图，操作比较方便。在大纲视图下设置完各级标题的效果如下：(各级标题前的+号意义和用途跟资源管理器中的树形目录一样，双击该+号可以伸展该级标题的下级内容)3、为正文修改样式设置了标题之后，在样式格式对话框中点选“正文”下拉列表中的“择所有**实例”，则论文中的内容除了标题均被选中，然后点选正文修改，根据论文设计要求中的内容对正文格式做相应修改。4、为章节编号由于我们写论文的时候已经给每个章节加了编号，如等，所以我们设置好标题之后各个标题会有编号。其实我们可以利用word自带的标题编号功能。步骤：为了实现该功能我们将之前的编号删除，切换到大纲视图。单击“标题1”的下拉列表，选择“修改……”，弹出的修改样式对话框，单击“格式”按钮选择弹出菜单中的“编号……”在弹出的“项目符号和编号”对话框，如下图所示，选择“多级符号”选项卡选择一种样式，单击“自定义”按钮。在此对话框中根据不同的论文设计要求，设置论文标题编号。说明：在大纲视图下，大纲工具栏的一些按钮的作用非常实用。5、生成目录设定完论文的标题后就可以生成目录了!步骤：插入->引用->索引和目录，在弹出的对话框中可以修改目录的各个属性值。说明：当在后续的修改中如果文章的内容与页数发生了位移，以至于之前生成的目录中页码不正确了，可是将鼠标置于生成的目录单击右键在弹出的菜单中选择更新域，在更新域对话框中选择，更新页码单选按钮。6、为图表插入题注、引用题注、生成图表目录论文中的图表要有名称，而且在内容中会有引用，这就涉及到了图表的题注。步骤：将光标定位于要插入题注的位置，插入->引用->题注，弹出题注对话框。设置完毕之后，单击确定，也可以在窗口的右边对话框中对设置好的题注进行修改。题注的引用如果在文章内容中有提到对图表的引用语句，，我们可以对该部分进行题注的引用。具体办法：删除提到的部分，插入->引用->交叉引用，弹出如下对话框在内容中插入交叉引用的效果如下图所示，将光标置于交叉引用的内容时会有跟踪链接提示。设置交叉引用的目的是，如果修改了图表的名称，可是在交叉应用的位置单击右键选择更新域，内容将会变成修改后的结果，从而省去了逐个修改引用部分的麻烦!在文章的后面可是插入图表的目录，插入方法跟插入章节的目录的步骤类似，只是在插入索引和目录对话框中要选择第二个选项卡“图表目录”。说明：有的时候在做“更新域”的操作时，更新后，图表的名称变成了“错误!不能通过编辑域代码创建对象。”产生此现象是因为图是在office系列的另一软件visio中画的，粘到word中后，自动创建了与源文件的关联，而现在论文几经周转，找不到源文件，无法更新了。遇到如此情况，可以按快捷键ctrl+shift+F9图切断与源的连接，之后才不受更新的影响。7、参考文献参考文献的插入我们采用了尾注的方法。步骤：将光标置于要插入参考文献的位置，然后插入->引用->脚注和尾注，弹出如下对话框点击插入按钮之后，在光标定位处跟文档结尾均出现了尾注编号1，在文档的结尾可以输入第一条参考文献，其他参考文献可以依次输入，插入后在文章中，当鼠标放于插入脚注的序号上，会出现如下图的提示，表示插入脚注成功。8、插入页眉页脚在需要插入不同页眉页脚的地方插入分节符!步骤：插入->分隔符->分节符(下一页)。然后视图->页眉页脚，在弹出的页眉页脚对话框中设置页眉页脚，特别是该对话框一些按钮的使用要注意。
毕业论文目录自动生成步骤如下：
自动生成目录是论文排版中的重要一环，它可以让读者更加方便地查找和浏览论文内容。下面将从准备工作、使用Word自动生成工具、调整目录格式和注意事项四个方面介绍论文目录自动生成步骤。
一、准备工作
在开始自动生成目录前，需要做好以下几点准备工作：
1.文档大纲结构应该清晰明确；
2.各级标题必须使用Word自带的标题样式；
3.所有的标题应该有编号或者标号；
4.最好不要手动输入目录的序号。
二、使用Word自动生成工具
1.先选中目录部分放置的位置，并使用“插入”菜单中的“目录”按钮，选择“自动目录1”或“自动目录2”；
2.在弹出的“自动目录”对话框中，修改标题层次数和其他项属性；
3.点击“确定”即可完成目录生成。
三、调整目录格式
Word自动生成的目录有时候可能会让人感觉到排版不太美观，可以按照以下几个步骤进行调整：
1.右键单击目录，选择“更新字段”，可以使得目录随着正文的修改而及时更新；
2.右键单击目录，选择“编辑字段”，可以重新选择目录风格和字体等参数；
3.选中整个目录或者某个标题，可以在“样式”中进行修改。
四、注意事项
1.自动生成的目录只能作为初步版本，需要对其进行检查和完善；
2.自动目录调整时要避免手动输入字符，尽量使用功能区中提供的工具；
3.段落格式、首行缩进等也会影响目录内容和格式，所以在编写论文时要特别注意。
总之，只有掌握了正确的目录自动生成方法，才能更好地将论文排版得更规范和美观，增强文章的可读性和阅读体验。
在引用里面选择目录，把设置弄好之后，自动编制目录。提示：要想有好看的目录，那么提前把文件中各段的格式设置好是前提。步骤一、自动生成目录准备：大概索引1、要想让word自动生成目录，就得先建立系统能认识的大纲索引，这是自动生成目录的前提。选中你的标题。2、在开始选项卡——格式里选中——选中自己喜欢的目录格式结构。3、选择之后，就会建立大纲索引，同时，也会具有word默认的标题格式。4、同理，我们逐级建立标题2、标题3等目录结构索引。5、同理，我们把整个文档中的所有标题都建立起大纲索引。步骤二、自动生成目录及更新目录1、前提准备已做好，接下来我们就开始生成目录。首先，把光标定位到目录存放的位置，然后，点击选项卡的引用——目录——自动目录1或2。2、就会自动生成目录了。3、如果你多文章进行了更新，或者目录结构进行了调整，那么就需要对目录进行更新域，点击目录，右键下拉菜单——更新域。4、建议选择更新整个目录，这样就不会漏掉，点击确定，更新即可。自定义目录格式调整如果，你对系统的默认目录格式不满意，需要自定义，也是可以的。点击引用——目录——插入目录。有很多目录格式的选项可以设置，如要不要显示页面，页面是否右对齐，显示制表符，显示几个级别等。同时还可以设置目录的字体大小与格式，如图，点击修改——选择要修改的目录——点击修改——就看到相关的字体、间距等相关格式的调整，自定义修改之后，确定即可。当你进行所以的自定义设定之后，点击确定，就会在刚刚目录的地方出现替换的提示框，点击是就可以了。
1、毕业论文如何生成目录:点击开始,右边的样式,弹出样式窗口,如何所示2、如何用Word2007制作毕业论文目录:在右边样式框里,有标题一,标题二,标题三,点击右边样式框的标题再点击你的论文标题,将你的标题进行一一对应3、制作论文目录方法:接着右击样式标题弹出一对话框,选择修改选项,然后出现如图对话框,将你的论文标题改成你的论文需要的相应的字体,大小,等4、毕业论文目录制作:点击引用-目录-自动生成目录5、Word2007毕业论文目录自动生成:最后,就出现目录了更多关于毕业论文目录如何自动生成，进入：查看更多内容
参照word2007自动生成目录1、整理一下文档，将插入目录中的标题设置成“标题1”。方法：开始——选中标题——单击“标题1”。2、设置完成后，鼠标移至文章总标题下正文的起始位置，引用——目录。3、选择自动目录即可。比如单击“自动目录1”，这样就自动生成目录了。不过下一步要对正文重新设置页码，目录中的页码是从正文开始的页码。word2007怎样从第三页插入页码1、光标定位在第二页末尾。页面布局-----页面设置-----分隔符-----分节符----下一页，光标跳到第三页首。2、插入----页眉-----编辑页眉（此时光标出现在第三页页眉）------转至页脚-----链接到前一条页眉（页脚右边显示的“与上一节相同”消失）。3、插入-----页眉和页脚------页码------设置页码格式-----页码编号-----起始页码：1------确定。页码-----选择插入格式------关闭页眉和页脚。
noteexpress免费版写硕士毕业论文够用。NoteExpress是北京爱琴海软件公司开发的一款专业级别的文献检索与管理系统，其核心功能涵盖知识采集，管理，应用，挖掘的知识管理的所有环节，是学术研究，知识管理的必备工具，发表论文的好帮手。优点：NoteExpress具备文献信息检索与下载功能，可以用来管理参考文献的题录，以附件方式管理参考文献全文或者任何格式的文件，文档。可以从全球最大的在线书店Amazon的资料库中检索，下载题录信息。NoteExpress的笔记功能记录，类似日记，科研心得，论文草稿等瞬间产生的隐性知识可以迅速记录。提供相关检索历史保持功能。
对于"写论文用什么软件"这个问题感兴趣的朋友应该很多，这个也是目前大家比较关注的问题，那么下面小好小编就收集了一些"写论文用什么软件"相关软件，来分享给大家希望能够帮助到你哦。1. 写论文软件 软件类型：安卓APP 软件介绍：写毕业论文是主要是为客户提供论文写作服务的系统软件，在这儿不但有很多不要钱的论文参考，也有专业性的知名老师给你线上指导创作，更提供大学毕业论文范文和文章推荐发布服务，适用毕业论文文章查重服务，使你论文2. 论文检测软件 软件类型：电脑软件 软件介绍：知益(先锋)论文检测查重软件是一款免费的论文检测查重软件，知益(先锋)论文检测查重软件操作简单，功能实用，可以帮助用户下载论文，自动修改，检测论文。以及批量检测论文，和论文评分报表。3. 论文狗论文免费查重软件 软件类型：电脑软件 软件介绍：论文狗论文免费查重软件是一款简易功能强大的论文查重软件，不限篇幅纯免费试用，巨大的学术刊物资源库和互联网技术自动更新资源，适用大学毕业论文查重，职称论文检测，研究生论文查重等检测作用。5. 论文自动排版软件 软件类型：电脑软件 软件介绍：论文自动化的排版手机软件这也是一款功能齐全的论文排版设计业务系统服务平台，这款手机软件可以更快的去协助处理论文排版设计难的难题，使你的论文更为合乎院校的标准，是学员必不可少的论文助手武器，赶紧前去免费
刚刚毕业的大学生对此有发言权了！
对于大家来说，论文做起来真的是超级困难的，好的老师会帮助你选择课题，但是不太管你的老师就是把你散养了，只有等快到日子的时候，再叫你回来。
做论文不能只靠老师，很多实用的小窍门都应该赶紧学起来！
首先，查找资料。一般的资料就是中国知网，万维网等等，对于本科生的论文是绰绰有余的了。但是由于这样的网站都是有IP限制的，所以下载资料的时候一定是要在学校内进行的。我们学校的区域特别的小，仅仅包括老师的办公楼和他临近的图书馆，所以每次下资料的时候都要跑到图书馆去。
第二，下载的时候，可以选择PDF阅读器，也可以选择网页上的CAJ阅读器，建议是选择后者，PDF的浏览器有的是不能复制粘贴的，但是后者可以在工具栏里面找到。还是比较方便的。
第三，WPS作为现在很方便的版本，里面的功能就不用多说了。后期答辩的时候要做PPT里面有很多的在线模版，都比较精致（就是有点贵），建议也可以到网上找那些PPT的模版。
第四，淘宝店的查询。但是这个要慎用，因为每一个学校的要求不一样，之前听说一个学校就要求学生一次也不能自查，合格就是合格，不合格就是不合格。我们学校有三次机会在网上查，我们都比较珍惜，所以就在淘宝上找那种花钱查的，把查重率降低下来。
第五，我们会在论文里面引用很多专家的话，但是有些文章上面没有写年代、期刊，这个时候我们可以在网上搜索相关名称，就能找到对应的年代。
做论文的时候会比较辛苦，做完之后你就会发现，工作了比做论文还辛苦！
深度神经网络对于问题的抽象建立在我们可以通过合适的神经网络架构构造一个通用的函数逼近，使得我们可以从输入样本空间映射到目标样本空间。这一听起来简单的任务在实际构建过程中需要耗费大量的计算和时间以完成模型试验和迭代。而由于迁移学习的可行性，使得我们可以借助已有的在特定分类任务中表现出色的架构来完成类似甚至看起来完全不相关的任务。在学习的过程中，阅读了一些这些经典的网络架构的相关论文，在此做一个记录。
VGG Net 与之前的经典网络结构相比最突出的特征是大量的使用 3x3 （部分架构中还采用了 1x1 ）的小卷积核，并且采用 same padding 来维持卷积前后的 w 和 h，Feature map 的缩放完全交给 2x2 的 max pooling 层来完成，此后基本上所有的卷积神经网络的卷积核都采用 3x3 的尺寸。也正因为采用这个简单的、小的卷积核结构，才使得 VGG 成为同时代网络中最经典的深度神经网络。
在深度神经网络中采用小卷积核的原因：小卷积核通过多层叠加后可以在输入层取得与大卷积核同等规模的感受野，且由于网络层次的增加会同步增加网络的容量 model capacity 和复杂度 model complexity，进一步地，通过叠加多个层次的卷积核还可以减少模型的参数：例如对于通道数为 C 的输入和输出来说，采用 7x7 的卷积核需要的参数是 7x7xCxC = 49C 2 个，而通过叠加 3 层 3x3 的卷积核所需要的参数数量为 3 x [3x3xCxC] = 27C 2 个。
在 VGG 的架构中，作者采用 1x1 卷积的主要目的在于增加网络中的非线性，采用与原有输入特征相同通道数量的 1x1 的卷积结构，执行卷积前后不改变特征的表达的数量，但根据作者的经验在同等架构下带有 1x1 结构的网络表现不如 3x3 的网络，因此在后续广为沿用的 VGG 架构都是单纯的 3x3 网络。
一个值得注意的细节是，为了使得网络具有缩放不变性，作者在训练时先将全部图片缩放至 384x384 的尺寸，在此基础上随机裁剪 224x224 的图片区域作为网络的输入，最后再用经过在指定范围内进行尺寸缩放的图片进行微调。
另一个细节是作者在测试时采用了很多比较高明的技巧如 Ensemble 和 multi-crop 等方法使得测试的结果得到了一定的提升，不过这些提升一般只在竞赛中有意义，在真实的生产环境中应用很少。
ResNet 的提出是基于这样一个发现：直觉上深度神经网络应该的性能应该优于架构类似但相对层数更少的网络，但在实际情况中，随着网络层次的加深，梯度消失 Vanishing gradient 的影响愈加明显，网络的训练变得异常困难。这个现象在作者看来反应出了通过非线性激活的神经网络来构建近似恒等映射是困难的，那么我们可以反其道而行之，我们希望神经网络学习这个特定映射和恒等映射之间的差值，此时，由于给定了一个参考基准，使得整个学习的过程更加的容易，这个想法实在是精妙！
在此基础上 ResNet 网络的构建都是基于上图中基本单元构成的。
Inception 这个系列目前共有 5 篇文章，包括：
其中第一篇是对 Inception 架构的一个简单介绍，第二篇则是在改进 Inception 网络的过程中发现了 Batch Normalization 这一被后续广泛使用的提高网络稳健性的方法，第三篇 Rethinking the Inception Architecture for Computer Vision 这一篇相比前两篇论文信息量更大，作者给了很多构建深度卷积神经网络的建议，并且在这一篇中进一步改进了下图中第一版的 Inception Module，将 5x5 的卷积核改为两个 3x3 卷积层的叠加，这是一篇十分诚意的论文，值得反复阅读。
相比于 VGG Net，Inception 网络不再是基本的卷积神经网络的堆叠，取而代之的是对不同变体的 Inception Module 进行叠加。尽管从结构上 Inception 网络更加复杂，但由于大量的使用了 1x1 的卷积核，使得参数量居然比 VGG 还要小。
在此我们除了盲目复杂化网络以外，一个不可避免的问题是：为什么 Inception 网络会有更有的表现？
一种说法是我们在构建网络的过程中很难知道如何选择合适的卷积核，而 Inception Module 使得我们可以尝试多个不同的选择，让网络自己确定哪个方式更加合适。
另一种说法来自本系列的第 5 篇文章，keras 的作者 Francois Chollet 给出的解释是，在传统的卷积神经网络中，卷积核不仅需要在宽度和高度方向上建立特征识别能力，还要在深度（通道）方向上也构建这一能力。再一次地， 知识的表示形式决定了学习的难易程度 ，我们是否可以将这两个方向的特征识别分离开来，而简化这一任务？这就是 Inception 网路及后续在此基础上衍生出的 Xception 网络的核心思想。
原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。