DL
文章平均质量分 50
android_ruben
这个作者很懒,什么都没留下…
展开
-
在老旧GPU上安装pytorch的方法
title category layout tags date 在老旧GPU上安装pytorch的方法 dl post Pytorch dl 2021-03-26 17:42:24 本着节约的原则花1000块买了一块k40c的显卡,但是在运行pytorch直接就出现了...原创 2021-03-26 13:53:34 · 922 阅读 · 0 评论 -
[翻译]Microsoft COCO-Common Objects in Context
Microsoft COCO-Common Objects in Context 翻译:Ruben 邮箱:lingyunzi09@gmail.com 摘要本文展示了一个全新的数据集,目标是通过把物体识别放置在更广泛的场景理解问题之下,进而促进物体识别的发展。该数据集通过收集自然背景下复杂的日常生活场景图片而构建完成的。图片中的物体实例都进行了单独分割标注,这样做有助于提高物体定位...翻译 2018-08-25 19:15:26 · 8523 阅读 · 1 评论 -
[Pytorch]pytorch中的LSTM模型
公式表示Pytorch中LSTM的公式表示为:it=σ(Wiixt+bii+Whih(t−1)+bhi)it=σ(Wiixt+bii+Whih(t−1)+bhi)i_t = \sigma(W_{ii} x_t + b_{ii} + W_{hi} h_{(t-1)} + b_{hi}) ft=σ(Wifxt+bif+Whfh(t−1)+bhf)ft=σ(Wifxt+bif+Whfh(t...原创 2018-05-05 16:10:51 · 31003 阅读 · 0 评论 -
[DL]DL中常用的图片变换方法
在使用cnn进行物体检测或者物体识别之类任务中,往往都会对原图进行变化处理,已增加数据的复杂度减小overfitting的可能性。下面列出了部分常用的变换方法: def RandomBrightness(self,bgr):#亮度 if random.random() < 0.5: hsv = self.BGR2HSV(bgr) ...原创 2018-05-11 15:44:28 · 740 阅读 · 0 评论 -
[DL]机器学习算法之支持向量机(Support Vector Machine)
SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。SVM的主要思想可以概括为两点:它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性原创 2017-10-22 11:24:53 · 676 阅读 · 0 评论 -
[DL]机器学习算法之逻辑回归
逻辑回归(Logistic Regression, LR)又称为逻辑回归分析,是分类和预测算法中的一种。通过历史数据的表现对未来结果发生的概率进行预测。例如,我们可以将购买的概率设置为因变量,将用户的特征属性,例如性别,年龄,注册时间等设置为自变量。根据特征属性预测购买的概率。 逻辑回归的预测模型: 逻辑回归不是回归问题,而是二分类问题,因变量不是0就是1,那么我们很自然的认为概率函数服从伯努利原创 2017-10-20 08:09:20 · 493 阅读 · 0 评论 -
[DL]机器学习算法之岭回归
上篇文章介绍了线性回归,但是一般线性回归模型在处理复杂的数据的回归问题时会遇到一些问题,主要表现在:1.预测精度:要处理好样本的数量n和特征的数量p之间的关系。 当n>>p时,最小二乘回归会有较小的方差; 当n≈p n\approx p时,容易产生过拟合; 当n< p时,最小二乘回归得不到有意义的结果。2.模型的解释能力:如果模型中的特征之间有相互关系,这样会增加模原创 2017-10-19 08:00:35 · 468 阅读 · 0 评论 -
[DL]机器学习算法之之线性回归(Linear Regression)
线性模型的一般表达式为:模型参数的求解即是使用最小二乘法求的最小值。如果将线性模型用图像表示出来为: 附上代码(模型的实现步骤写在代码中):import matplotlib.pyplot as pltimport numpy as npfrom sklearn import datasets, linear_modelfrom sklearn.metrics import mean_squ原创 2017-10-19 07:53:28 · 584 阅读 · 0 评论 -
[DL]概率论相关知识总结
本文总结了概率论的一些基本知识。概率分布在解释各种分布之前,我们先看看常见的分布类型有哪些,分布类型可分为离散型和连续型。离散型:数据只能取特定的值,比如,当你掷一个骰子的时候,可能的结果只有 1,2,3,4,5,6 而不会是 1.5 或者 2.45。连续型:数据可以在给定的范围内取任何值,给定的范围可以是有限的或无限的,比如一个女孩的体重或者身高,或者道路的长度。一个女孩的体重可以是 54 kgs原创 2017-09-27 12:59:36 · 636 阅读 · 0 评论 -
[DL]3.基于CNN的手写数字识别
CNN的原理这里就不介绍了,如果想要了解详细的原理可以参考链接本文注重的是CNN在TensorFlow中是如何实现的。CNN可以用图片表示为(仅供想象用,但不是本文使用的模型的图片表示): 下面结合代码具体解释。from tensorflow.examples.tutorials.mnist import input_dataprint('数据加载...')mnist=input_data.re原创 2017-08-28 12:06:46 · 1109 阅读 · 0 评论 -
[DL]2.使用Softmax回归进行手写数字识别
本文对TensorFlow官方示例-手写数字识别教程的读书笔记。教程分为3个部分:数据准备模型建立模型评价1.数据准备教程使用的是公开的MNIST手写数字图片记,并且对数据的访问进行了封装,因此在实际编码过程中很方便的就可以将数据准备好。 这里需要注意的是,数据集中保存的并不是真正的一张张真实的图片,而是用矩阵对数据进行了展示。比如,训练记中的数据表示为: 它是一个55000×784原创 2017-08-19 00:48:56 · 672 阅读 · 0 评论 -
[DL]安装Tensorflow
tensorflow的官方安装文档参考:链接,注意:需要梯子tensorflow有三种安装方式,分别为:virtualenv“native” pipDockerAnaconda本文是在Ubuntu 14.04 64bit系统下使用virtualenv的方式安装。注意python版本使用系统默认的2.7版本。 执行:sudo apt-get install python-pip pytho原创 2017-03-29 00:38:59 · 488 阅读 · 0 评论 -
[DL]1.开始学习TensorFlow
Getting Started With TensorFlow在学习本文之前,需要首先安装Tensorflow。本文介绍一下知识:如何用Python编程关于矩阵的一些知识关于机器学习的一些知识TensorFlow提供多种多样的API。最低级的API:Tensorflow Core,提供完全的程序控制能力。我们建议机器学习研究者以及其他想要对他们的模型有更良好的控制能力的人好好研究下Tenso翻译 2017-04-01 01:38:13 · 1339 阅读 · 0 评论 -
[Caffe]1.环境准备和安装
1.前言本文的目标是完成Caffe的安装。 Caffe支持的平台包括:Ubuntu 16.04-12.04,OS X 10.11-10.8,或者通过Docker和AWS。本文只介绍Ubuntu14.04的安装。2.依赖说明CUDA(GPU模式下必须) 推荐版本7以上的,6.*也可以BLAS(实现库有ATLAS,MKL,OpenBLAS)BOOST>=1.55protobuf,glog,g原创 2017-01-11 22:21:29 · 415 阅读 · 0 评论