add some content

ch04_经典网络/第四章_经典网络.md

@@ -282,9 +282,17 @@ $Inception_{v4}$
 ### 4.6.3 模型特性
 
 - 采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合； 
+
 - 之所以卷积核大小采用1、3和5，主要是为了方便对齐。设定卷积步长stride=1之后，只要分别设定pad=0、1、2，那么卷积之后便可以得到相同维度的特征，然后这些特征就可以直接拼接在一起了；
+
 - 网络越到后面，特征越抽象，而且每个特征所涉及的感受野也更大了，因此随着层数的增加，3x3和5x5卷积的比例也要增加。但是，使用5x5的卷积核仍然会带来巨大的计算量。 为此，文章借鉴NIN2，采用1x1卷积核来进行降维。
 
+  # 
+
+## Restnet 
+
+## Densenet
+
 ## 4.7 为什么现在的CNN模型都是在GoogleNet、VGGNet或者AlexNet上调整的？
 
 - 评测对比：为了让自己的结果更有说服力，在发表自己成果的时候会同一个标准的baseline及在baseline上改进而进行比较，常见的比如各种检测分割的问题都会基于VGG或者Resnet101这样的基础网络。

ch11_迁移学习/第十一章_迁移学习.md

@@ -167,9 +167,10 @@ Reference：
 ![1542812440636](./media/1542812440636.png)
 
 <center>图 18: 基于马尔科夫逻辑网的关系迁移
-## 11.3 迁移学习的常用方法
-## 11.3 迁移学习的常见方法有哪些？
 
+
+
+## 11.3 迁移学习的常用方法
 ### 11.3.1 数据分布自适应
 
 ​	数据分布自适应 (Distribution Adaptation) 是一类最常用的迁移学习方法。这种方法的基本思想是,由于源域和目标域的数据概率分布不同,那么最直接的方式就是通过一些变换,将不同的数据分布的距离拉近。
@@ -209,7 +210,7 @@ Reference：
 
 ​	联合分布自适应方法 (Joint Distribution Adaptation) 的目标是减小源域和目标域的联合概率分布的距离，从而完成迁移学习。从形式上来说，联合分布自适应方法是用*P*(**x**s) 和P(**x**t)之间的距离、以及P(ys\|**x**s)和P(yt\|**x**t)之间的距离来近似两个领域之间的差异。即:
 
-​	$DISTANCE(D~s~,D~t~)\approx\lVert P(X_s)-P(X_t)\Vert-\lVert P(y_s|X_s)-P(y_t|X_t)\Vert$(6.10)
+​	$DISTANCE(D~s~,D~t~)\approx\lVert P(X_s)-P(X_t)\Vert-\lVert P(y_s|X_s)-P(y_t|X_t)\Vert​$(6.10)
 
 ​	联合分布自适应对应于图[19](#bookmark84)中由图[19(a)](#bookmark101)迁移到图[19(b)](#bookmark83)的情形、以及图[19(a)](#bookmark101)迁移到
 图[19(c)](#bookmark85)的情形。

ch17_模型压缩、加速及移动端部署/第十七章_模型压缩、加速及移动端部署.md

@@ -419,7 +419,7 @@ MobileNet 是Google团队于CVPR-2017的论文《MobileNets: Efficient Convoluti
     * 直接在卷积时利用stride=2完成了下采样，从而节省了需要再去用pooling再去进行一次下采样的时间，可以提升运算速度。同时，因为pooling之前需要一个stride=1的 conv，而与stride=2 conv的计算量想比要高近4倍(**个人理解**)。
 #### 2.2 网络架构
 * DW conv和PW conv
-MobileNet的网络架构主要是由DW conv和PW conv组成，相比于传统卷积可以降低`$\dfrac{1}{N} + \dfrac{1}{Dk}$`倍的计算量。  
+MobileNet的网络架构主要是由DW conv和PW conv组成，相比于传统卷积可以降低$\dfrac{1}{N} + \dfrac{1}{Dk}​$倍的计算量。  
 标准卷积与DW conv和PW conv如图所示:  
 ![image](./img/ch17/12.png)
 深度可分离卷积与传统卷积运算量对比：