本文讨论的内容参考自《神经网络与深度学习》https://nndl.github.io/第7章网络优化与正则化网络优化与正则化网络优化网络结构多样性高维变量的非凸优化神经网络优化的改善方法优化算法小批量梯度下降批量大小选择学习率调整学习率衰减学习

1.仿射几何1.1前言在切入正题之前，有必要再重申一下“埃尔朗根纲领”的主要思想：“几何学就是研究某类变换的不变性”。一般来说，我们终究是为了获得现实空间中的几何性质，但某个特定问题不一定关系到空间中的所有属性，在思考和使用工具时这些属性势必成为干扰限制、甚至障碍。

ROIROI代表“感兴趣区域”（RegionofInterest）。它指的是图像中被选定进行进一步分析或处理的那部分区域，这些区域被认为比图像的其他部分包含更多的有用信息。仿射变换建议看一下CSDN的文章https://blog.csdn.net/sinat_29957455/article/details/103845581仿射变换（AffineTran

使用AffineTransform的包有哪些？java.awt包：包含用于创建用户界面和绘制图形图像的所有类。java.awt.font包：提供与字体相关的类和接口。java.awt.geom包：提供用于在与二维几何形状相关的对象上定义和执行操作的Java2D类。java.awt.image包：提供创建和修改图像的各种类。ja

参考链接：单应性变换与仿射变换-知乎(zhihu.com)一、齐次坐标(1)从普通坐标转换成齐次坐标时如果(x,y,z)是个点，则变为(x,y,z,1);如果(x,y,z)是个向量，则变为(x,y,z,0)(2)从齐次坐标转换成普通坐标时如果是(x,y,z,1)，则知道它是个点，变成(x,y,z);如果是(x,y,z,0)，则知道它是个

OpenCV仿射变换+投射变换+单应性矩阵本来想用单应性求解小规模运动的物体的位移，但是后来发现即使是很微小的位移也会带来超级大的误差甚至错误求解，看起来这个方法各种行不通，还是要匹配知道深度了以后才能从三维仿射变换来入手了，纠结~estimateRigidTransform()：计算多个二维

要推算机械手平面坐标系A与相机平面坐标系B的关系，我们可以首先找到两个平面坐标系之间的平移量和旋转量。平移量：选择一个公共的参考点，比如某个标志物，假设在坐标系A中的坐标为(Ax,Ay)，在坐标系B中的坐标为(Bx,By)。那么平移量可以表示为：Δx=Bx-AxΔy=By-Ay这里的（Δx,Δy）

1.平移2.旋转3.缩放4.倾斜5.翻转仿射变换流程1:获取特征点坐标、角度2:计算仿射变换矩阵3:对图像、区域、轮廓进行仿射变换注:获取特征点坐标角度，除匹配和blob还有其它方法只要能稳定的求出特征点即可1.平移hom_mat2d_identity(HomMat2DIdentity)解释:定义一个对角

引言在几年前，我就在一些博客中看到关于CSS中transform的分析，讲到它与线性代数中矩阵的关系，但当时由于使用transform比较少，再加上我毕竟是个数学学渣，对数学有点畏难心理，就有点看不下去，所以只是随便扫了两眼，就没有再继续了解了。现在在学习可视化，又遇到了这个点，又说到这是可视化的

目录平面的仿射变换定义放缩变换重要性质点与向量的仿射变换仿射标架的仿射变换变积系数平面的定向平行四边形的仿射变换前后定向面积的特性变积系数及其特性参考平面的仿射变换定义定义平面的一个点变换τ，如果它在一个仿射坐标系中的公式为\[\begin{pmatrix}x'\\y'\end{p

无穷远点(也称理想点)和无穷远线和无穷远平面2D：这个无穷只能在齐次坐标下表示，在欧式坐标系下并不方便所有理想都可以写成(x1,x2,0),并由比率x1:x2指定一个具体的理想点直线的齐次表示：性质1：对于直线ax+by+c=0，我们可以用向量(a,b,c)T来表示，而且对于任何非零常数k直线ax+by+c=0

根据公式c=Ea,b(m) ☰a*m+b(mod26);如果已知a,b,加密非常简单，代码如下：#include<bits/stdc++.h>usingnamespacestd;inta,b;voidInput(){intp,val;charkey;charkey_2[1010];cout<<"请输入a,b的值（中间以空格分开）"<<endl;

一、两点计算：刚体仿射变换1、vector_to_rigid：1）根据两个以上点对计算计算刚性仿射变换矩阵，支持旋转和平移2、vector_angle_to_rigid1）根据点和角度计算刚性仿射变换矩阵，支持旋转和平移 

importnumpyasnpimportmathasmdefRx(theta):returnnp.matrix([[1,0,0],[0,m.cos(theta),-m.sin(theta)],[0,m.sin(theta),m.cos(theta)]])defRy(theta):returnnp.matrix([[

平移move_region缩放zoom_region镜像mirror_region倒置transpose_region6.2仿射变换刚性仿射变换vector_angle_to_rigid对图像，区域进行仿射变换算子：vector_angle_to_rigid(:: Row1, Column1, Angle1, Row2, Column2, Angle2 : HomMat2D)示例：vector_angle_

关键点AffineTransformation(LinearTransformation,Transmation)HomogeneouscoordinatesCompositeTransform2Dand3D1.LinearTransformation(2Dforinstacnce)1.1ScaleReflection1.2Shear1.3Rotate默认以原点为中心逆时针。1.4总结：LinearTransfo

getRotationMatrix2D()此函数给定一个旋转中心的坐标，旋转角度和缩放因子，返回一个仿射变换矩阵，可以使用Mat接收。imagewatch示意图如上当考虑缩放因子时，计算矩阵如官

21图像旋转opencv知识点：仿射变换-warpAffine计算二维旋转的仿射矩阵-getRotationMatrix2D本课所解决的问题：如何理解图像几何变换和图像变换？图像几何变换都有

https://blog.csdn.net/yang332233/article/details/110164808?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166988875516782428685782%2522%252C%2522scm%2

Motivation无需参数更新的In-ContextLearning允许使用者在无参数的更新的情况下完成新的下游任务，交互界面是纯粹的自然语言，无NLP技术基础的用户也可以创建NLP系统

Parameters:src–Coordinatesoftriangleverticesinthesourceimage.dst–Coordinatesofthecorrespondingtriangleverticesinthedestinationimage.Thefunc