- 博客(13)
- 资源 (42)
- 收藏
- 关注
转载 android8.0 画中画功能
转自:https://developer.android.com/about/versions/oreo/android-8.0.htmlhttps://sspai.com/post/40569https://www.digitaltrends.com/mobile/how-to-use-picture-in-picture-mode-in-android-8-oreo/画
2018-01-23 17:07:26 6546
转载 caffe中Reshape层
转自:http://blog.csdn.net/wfei101/article/details/78449428Reshape层:(改变blob的形状,N,C,W,H)[cpp] view plain copy print?layer { name: "reshape" type: "Reshape" bottom: "input" top: "output
2018-01-18 17:30:54 6695
转载 高斯分布(正态分布)
转自:https://baike.baidu.com/item/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83正态分布(Normal distribution),也称“常态分布”,又名高斯分布(Gaussian distribution),最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。
2018-01-18 15:42:02 16616
转载 深度学习 -> 强化学习 ->迁移学习(杨强教授报告)
转自:http://blog.csdn.net/jiandanjinxin/article/details/54133521李宏毅机器学习课程-Transfer Learning 深度学习 -> 强化学习 ->迁移学习(杨强教授报告)链接: http://pan.baidu.com/s/1nu6DMRn 密码: an9q 深度学习的局限表达能力的限制。因为一个模型毕竟是一种现实的反映,等于是现实的
2018-01-18 13:56:52 505
转载 语音识别研究的四大前沿方向
以下转自:http://blog.csdn.net/whaoxysh/article/details/19402337“ 鸡尾酒会问题”(cocktail party problem)是在计算机语音识别领域的一个问题。当前语音识别技术已经可以以较高精度识别一个人所讲的话,但是当说话的人数为两人或者多人时,语音识别率就会极大的降低,这一难题被称为鸡尾酒会问题。解决方案 斯坦福大学的Andrew N
2018-01-18 11:50:03 21462
转载 声音均衡器
以下转自:https://baike.baidu.com/item/%E5%A3%B0%E9%9F%B3%E5%9D%87%E8%A1%A1%E5%99%A8/10907330?fr=aladdin均衡器是一种可以分别调节各种频率成分电信号放大量的电子设备,通过对各种不同频率的电信号的调节来补偿扬声器和声场的缺陷,补偿和修饰各种声源及其它特殊作用,一般调音台上的均衡器仅能对高频、中频、低频三段频率
2018-01-18 10:33:07 4156
转载 全卷积网络 FCN 详解
转自:https://zhuanlan.zhihu.com/p/30195134CNN能够对图片进行分类,可是怎么样才能识别图片中特定部分的物体,在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割挖了一个坑,于是无穷无尽的人往坑里面跳
2018-01-17 17:39:20 402
转载 在Caffe中使用Python Layer
转自:http://blog.csdn.net/liuheng0111/article/details/53090473http://blog.csdn.net/thesby/article/details/51264439Caffe通过Boost中的Boost.Python模块来支持使用Python定义Layer:使用C++增加新的Layer繁琐、耗时而且很容易出
2018-01-15 16:35:54 2398
转载 目标检测之YOLO,SSD
转自:http://lanbing510.info/2017/08/28/YOLO-SSD.html在深度学习出现之前,传统的目标检测方法大概分为区域选择(滑窗)、特征提取(SIFT、HOG等)、分类器(SVM、Adaboost等)三个部分,其主要问题有两方面:一方面滑窗选择策略没有针对性、时间复杂度高,窗口冗余;另一方面手工设计的特征鲁棒性较差。自深度学习出现之后,目标检测取得了巨大
2018-01-11 16:47:22 22604
转载 梯度下降(Gradient Descent)小结
梯度下降的实例代码:https://github.com/mattnedrich/GradientDescentExample以下转自:https://www.cnblogs.com/pinard/p/5970503.html 在求解机器学习算法的模型参数,即无约束优化问题时,梯度下降(Gradient Descent)是最常采用的方法之一,另一种常用的方法是最小二
2018-01-10 11:00:50 258
转载 卷积神经网络系列之softmax,softmax loss和cross entropy的讲解
转自:http://blog.csdn.net/u014380165/article/details/77284921我们知道卷积神经网络(CNN)在图像领域的应用已经非常广泛了,一般一个CNN网络主要包含卷积层,池化层(pooling),全连接层,损失层等。虽然现在已经开源了很多深度学习框架(比如MxNet,Caffe等),训练一个模型变得非常简单,但是你对这些层具体是怎么实现的了解
2018-01-09 15:42:03 527
转载 softmax函数作用
转自:https://www.jianshu.com/p/ffa51250ba2e这几天学习了一下softmax激活函数,以及它的梯度求导过程,整理一下便于分享和交流!softmax函数softmax用于多分类过程中,它将多个神经元的输出,映射到(0,1)区间内,可以看成概率来理解,从而来进行多分类!假设我们有一个数组,V,Vi表示V中的第i个元素,那么这个元素的softmax值就是
2018-01-03 19:31:53 724
转载 Caffe源码导读
转自:https://ymgd.github.io/codereader/2016/10/20/caffe_sourcecode_analysis/1.前言目前的图像和自然语言处理很多地方用到了神经网络/深度学习相关的知识,神奇的效果让广大身处IT一线的程序猿GG们跃跃欲试,不过看到深度学习相关一大串公式之后头皮发麻,又大有放弃的想法。从工业使用的角度来说,不打算做
2018-01-02 11:17:42 4987
smali2.0.3 android反编译
2014-07-08
Android软件安全与逆向分析
2014-04-22
LINUX内核设计与实现
2014-04-21
《Android系统级深入开发---移植与调试》2
2014-04-18
Android系统级深入开发---移植与调试
2014-04-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人