人脸关键点数据集构建要求
其中监打出督学习包括循环网络RNN、CNN、DNN。
GAN网络结构示例
那么准确率ACC=（TP TN）打出/（TP TN FP FN）。
ROC曲线
（1）曲线与FP_rate轴围成的面积（记作AUC）越大，说明性能越好，即图上L2曲线对应的性能优于曲线L1对应的性能。即：曲线越靠近A点（左上方）性能越好，曲线越靠近B点（右下方）曲线性能越差。
（2）A点是最完美的perforbumance点，B处是性能最差点。
（3）位于C-D线上怎么的点说明r算法性能和random猜测是一样的–如C、D、E点。位于C-D之上（即曲线位于白色的三角形内）说明算法性能优于随机猜测–如G点，位于C-D之下（即曲线位于灰色的三角形内）说明算法性能差于随机猜测–如F点。
（4）虽然ROC曲线相比较于Precision和Recall等衡量指标更加合理，但是其在高不平衡数据条件下的的表现仍然过于理想，不能够很好的展示实际情况。
14. GT基准（ground truth）
在有监督学习中标，数据是有标注的，以(x, t)的形式出现，其中x是输入数据，t是标注.正确的t标注是ground truth。而ground truth是人类按照一定标准进行定义的基准。
1标5. IOU（Intersection over Union）
- 1是ground-truth的bounding box（绿色框框）
- 2是预测的bounding box（红色框框）IOU输出为值在[0,1]之间的数字。
IOU = 两个矩形交集的面积/两个矩形的并集面积常用于目标检测（物体、人脸、人体等等），来衡量模型检测的精确率。
16. r特征（feature）
为了让计算机掌握人类理解的知识需要构筑一个由简单概念组成的多层连接网络来定义复杂对象，计算机通过对这个网络的迭代计算与训练后，可以掌握这个对象的特征，这种方法叫做深度学习，网络学习到的东西叫做特征。特征是一种数据的表达。
对于特征的要求是informative（富有信息量），discriminative（有区分性）和independent（怎么独立）的。
Feature有很多种特性和分类：Feature可以是Linear（线性），也可以是Non-linear（非线性）的；Feature可以是Fixed（固定的），也可以是Adaptive（自适应变化的)，甚至feature都可以不是数字的（numerical）。
17. 损失函数（loss bufunction）或者loss
损失函数是用来估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实ai值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。我们模型训练的过程ai应该是一个loss function逐渐变小的过程，这样模型才能不断收敛。
