##1.卷積神經網路計算尺寸

輸出尺寸=(輸入尺寸-filter尺寸+2*padding）/stride+1

卷積向下取整，池化向上取整

stride=1時,當kernel=3,padding=1或kernel=5,padding=2 卷積前後尺寸不變。

##2.序列模式挖掘
序列：一個序列即是一個完整的資訊流。每個序列由不同的元素按順序有序排列，每個元素由不同專案（也叫事件）組成。

序列資料庫：將相同使用者ID的記錄合併在一起，有時可以忽略每個事務的發生時間，僅保留事務間的偏序關係。

序列、元素、單項：一條序列<(10,20),30,(40,50,60)>裡面包含3個元素（3個事務），6個單項（長度為6，也叫6-序列），元素內的單項不考慮順序關係。

###序列模式挖掘演算法概述（未完待續）
演算法基石：AprioriALL、AprioriSome、dynamicSome

類Apriori演算法：GSP、Spade

基於劃分的模式生長演算法：FreeSpan、prefixSpan

基於序列的比較演算法：Disc-all

##3.貝葉斯判別
假設所有特徵之間相互獨立
$P(w_i$

∣ x ) = P ( w i

x ) P ( x ) = P ( x ∣ w i ∣ ) P ( w i ) P ( x ) = P ( x ∣ w i ) P ( w i ) P ( x ∣ w 1 ) P ( w 1 ) + P ( x ∣ w 2 ) P ( w 2 ) P(w_i|x)=\frac{P(w_ix)}{P(x)}=\frac{P(x|w_i|)P(w_i)}{P(x)}=\frac{P(x|w_i)P(w_i)}{P(x|w_1)P(w_1)+P(x|w_2)P(w_2)}

先驗概率： $P(w_i)$，是指根據以往經驗和分析得到的概率.

後驗概率： $P(w_i|x)$，事情已經發生，要求這件事情發生的原因是由某個因素引起的可能性的大小

類條件概率（似然函式）： $P(x|w_i)$，類條件概率中的類指的是把造成結果的所有原因進行列舉,分別討論

貝葉斯公式：結果推原因

全概率公式：原因推結果， $P(x)=P(x|w_1)P(w_1)+P(x|w_2)P(w_2)$

###3.1 最小誤判概率（最大後驗概率）準則判決
if $P(w_1|x)&lt;P(w_2|x)$ then $x\in w_1$

if $P(w_2|x)&lt;P(w_1|x)$ then $x\in w_2$
###3.2 最小損失準則
在3.1的基礎上計算出每個後驗概率出來

令決策的數目為類數c，如果決策 $a_j$定義為判別x屬於 $w_j$類，

那麼對於給定的模式x在採取決策 $a_j$的條件下損失的期望為:

$R_j(x)=R(a_j|x)=\sum_{i=1}^{c}\lambda_{ij}P(w_i|x)$

條件期望損失 $R_j$(x)刻畫了在模式為x、決策為 $a_j$條件下的平均損失，故也稱為條件平均損失或條件平均風險（Risk）。（做決策 $a_j$的平均損失）

if $R_1(x)&lt;R_2(x)$ then $x\in w_1$

if $R_1(x)&gt;R_2(x)$ then $x\in w_2$

兩邊分母p(x)約掉:

if $\lambda_{11}P(w_1,x)+ \lambda_{21} P(w_2,x)&lt;\lambda_{12} P(w_1,x)+\lambda_{22} P(w_2,x)$