2016年01月_beihangzxm123

转载神经网络之激活函数面面观

转载自：【机器学习】神经网络之激活函数面面观 - 仙道菜 - 博客频道 - CSDN.NEThttp://blog.csdn.net/cyh_24/article/details/50593400日常 coding 中，我们会很自然的使用一些激活函数，比如：sigmoid、ReLU等等。不过好像忘了问自己一(n)件事：为什么需要激活函数？激活函数都有哪些？都

2016-01-27 16:12:07 3250

原创深度学习数据集

海量数据（又称大数据）已经成为各大互联网企业面临的最大问题，如何处理海量数据，提供更好的解决方案，是目前相当热门的一个话题。类似MapReduce、 Hadoop等架构的普遍推广，大家都在构建自己的大数据处理，大数据分析平台。相应之下，目前对于海量数据处理人才的需求也在不断增多，此类人才可谓炙手可热！越来越多的开发者把目光转移到海量数据的处理上。但是不是所有人都能真正接触到，或者有机会去处

2016-01-27 12:09:55 18574 1

原创深度学习的四个部分

深度学习领域的学术研究可以包含四部分：优化（Optimization），泛化（Generalization），表达（Representation）以及应（Applications）。除了应用（Applications）之外每个部分又可以分成实践和理论两个方面。优化（Optimization）：深度学习的问题最后似乎总能变成优化问题，这个时候数值优化的方法就变得尤其重要。从实践方面来说，

2016-01-27 12:06:49 2904

原创 faster-RCNN环境配置（Ｕbuntu14.04）

Requirements: hardwareFor training smaller networks (ZF, VGG_CNN_M_1024) a good GPU (e.g., Titan, K20, K40, ...) with at least 3G of memory sufficesFor training with VGG16, you'll need a K40 (~11G

2016-01-26 11:48:21 6135 1

原创 Ubuntu14.04(64位)+Ｃuda7.5+Ｃudnn7.0+Caffe+Ｍatlab(Linux版)

安装CUDA7.5# installation of required tools sudo apt-get install -y gcc g++ gfortran build-essential git wget linux-image-generic libopenblas-dev python-dev python-pip python-nose python-nump

2016-01-26 11:30:25 2868

转载深度学习与计算机视觉系列(10)_细说卷积神经网络

转载自：深度学习与计算机视觉系列(10)_细说卷积神经网络 - 龙心尘 - 博客频道 - CSDN.NEThttp://blog.csdn.net/longxinchen_ml/article/details/50545340作者：寒小阳 && 龙心尘时间：2016年1月。出处： http://blog.csdn.net/han_xiaoyang/art

2016-01-22 10:53:43 1492

转载 Caffe学习系列(23)：如何将别人训练好的model用到自己的数据上

caffe团队用imagenet图片进行训练，迭代30多万次，训练出来一个model。这个model将图片分为1000类，应该是目前为止最好的图片分类model了。假设我现在有一些自己的图片想进行分类，但样本量太小，可能只有几百张，而一般深度学习都要求样本量在1万以上，因此训练出来的model精度太低，根本用不上，那怎么办呢？那就用caffe团队提供给我们的model吧。因

2016-01-19 10:32:11 13104 1

转载 Caffe学习系列(22)：caffe图形化操作工具digits运行实例

上接：Caffe学习系列(21)：caffe图形化操作工具digits的安装与运行经过前面的操作，我们就把数据准备好了。一、训练一个model右击右边Models模块的” Images" 按钮，选择“classification"在打开页面右下角可以看到，系统提供了一个caffe model,分别为LeNet, AlexNet, GoogLeNet, 如果使用这三

2016-01-19 10:31:11 2283 1

转载 Caffe学习系列(21)：caffe图形化操作工具digits的安装与运行

经过前面一系列的学习，我们基本上学会了如何在linux下运行caffe程序，也学会了如何用python接口进行数据及参数的可视化。如果还没有学会的，请自行细细阅读： caffe学习系列：http://www.cnblogs.com/denny402/tag/caffe/也许有人会觉得比较复杂。确实，对于一个使用惯了windows视窗操作的用户来说，各种命令就要了人命，甚至会非常

2016-01-19 10:30:06 4742 1

转载 Caffe学习系列(20)：用训练好的caffemodel来进行分类

caffe程序自带有一张小猫图片，存放路径为caffe根目录下的 examples/images/cat.jpg, 如果我们想用一个训练好的caffemodel来对这张图片进行分类，那该怎么办呢？如果不用这张小猫图片，换一张别的图片，又该怎么办呢？如果学会了小猫图片的分类，那么换成其它图片，程序实际上是一样的。开发caffe的贾大牛团队，利用imagenet图片和caffenet模型训练

2016-01-19 10:28:55 10351 3

转载 Caffe学习系列(19): 绘制loss和accuracy曲线

转载自：Caffe学习系列(19): 绘制loss和accuracy曲线 - denny402 - 博客园http://www.cnblogs.com/denny402/p/5110204.html如同前几篇的可视化，这里采用的也是jupyter notebook来进行曲线绘制。 In [1]:#加载必要的库import

2016-01-19 10:28:00 5545

转载深度学习与计算机视觉系列(9)_串一串神经网络之动手实现小例子

2016-01-18 11:21:18 929

转载深度学习与计算机视觉系列(8)_神经网络训练与注意点

转载自：深度学习与计算机视觉系列(8)_神经网络训练与注意点 - 龙心尘 - 博客频道 - CSDN.NEThttp://blog.csdn.net/longxinchen_ml/article/details/50521926作者：寒小阳&&龙心尘时间：2016年1月。出处： http://blog.csdn.net/han_xiaoyang/articl

2016-01-18 11:19:50 1208

转载机器学习系列(6)_从白富美相亲看特征预处理与选择（下）

2016-01-13 09:44:17 602

转载回顾一些重要的CNN改进模型（你真的了解 Convolutional Neural Networks 么）

转载自：干货 | 你真的了解 Convolutional Neural Networks 么https://mp.weixin.qq.com/s?__biz=MzAwMjM3MTc5OA==&mid=403231780&idx=1&sn=4d6b282e45a016df274b72f08ddf8492&scene=1&srcid=0111p2ycZ4HF6hZ8N9eohts2&ascen

2016-01-12 23:59:50 9458

转载机器学习系列(5)_从白富美相亲名单看特征选择与预处理（上）

2016-01-09 09:10:59 896

转载 SVM学习（六）：将SVM用于多类分类

从 SVM的那几张图可以看出来，SVM是一种典型的两类分类器，即它只回答属于正类还是负类的问题。而现实中要解决的问题，往往是多类的问题（少部分例外，例如垃圾邮件过滤，就只需要确定“是”还是“不是”垃圾邮件），比如文本分类，比如数字识别。如何由两类分类器得到多类分类器，就是一个值得研究的问题。还以文本分类为例，现成的方法有很多，其中一种一劳永逸的方法，就是真的一次性考虑所有样本

2016-01-08 11:48:58 36863

转载 SVM学习（五）：松弛变量与惩罚因子

1.松弛变量现在我们已经把一个本来线性不可分的文本分类问题，通过映射到高维空间而变成了线性可分的。就像下图这样：圆形和方形的点各有成千上万个（毕竟，这就是我们训练集中文档的数量嘛，当然很大了）。现在想象我们有另一个训练集，只比原先这个训练集多了一篇文章，映射到高维空间以后（当然，也使用了相同的核函数），也就多了一个样本点，但是这个样本的位置是

2016-01-08 11:48:15 2560 1

转载 SVM学习（四）：为何需要核函数

生存？还是毁灭？——哈姆雷特可分？还是不可分？——支持向量机之前一直在讨论的线性分类器，只能对线性可分的样本做处理。如果提供的样本线性不可分，结果很简单，线性分类器的求解程序会无限循环，永远也解不出来。这必然使得它的适用范围大大缩小，而它的很多优点我们实在不原意放弃，怎么办呢？是否有某种方法，让线性不可分的数据变得线性可分呢？

2016-01-08 11:47:33 4329

转载 SVM学习（三）：线性分类器的求解

1.问题的描述上节说到我们有了一个线性分类函数，也有了判断解优劣的标准——即有了优化的目标，这个目标就是最大化几何间隔，但是看过一些关于SVM的论文的人一定记得什么优化的目标是要最小化||w||这样的说法，这是怎么回事呢？回头再看看我们对间隔和几何间隔的定义：间隔：δ=y(wx+b)=|g(x)|几何间隔：可以看出δ=||w||δ几何。注意到几

2016-01-08 11:46:49 1004

转载 SVM学习（二）：线性分类器

1.线性分类器概念线性分类器(一定意义上,也可以叫做感知机) 是最简单也很有效的分类器形式.在一个线性分类器中,可以看到SVM形成的思路,并接触很多SVM的核心概念。用一个二维空间里仅有两类样本的分类问题来举个小例子。如图所示： C1和C2是要区分的两个类别，在二维平面中它们的样本如上图所示。中间的直线就是一个分类函数，它可以将两类

2016-01-08 11:45:42 4421

转载 SVM学习（一）：SVM概念

SVM算法学习之旅，首先介绍一下SVM概念。支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在

2016-01-08 11:45:03 1139

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。简单来说，朴素贝叶斯分类器假设样本每个特征与其他特征都不相关。举个例子，如果一种水果具有红，圆，直径大概4英寸等特征，该水果可以被判定为是苹果。尽管这些特征相互依赖或者有些特征由其他特征决定，然而朴素贝叶斯分类器认为这些属性在判定该水果是否为苹果的概率分布上独立的。尽管是带着这些朴素思想和过于简单化的假设，但朴素贝叶斯分类器在很多复杂的现实

2016-01-08 10:23:42 695

转载统计学习笔记（3）——k近邻法与kd树

在使用k近邻法进行分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决的方式进行预测。由于k近邻模型的特征空间一般是n维实数向量，所以距离的计算通常采用的是欧式距离。关键的是k值的选取，如果k值太小就意味着整体模型变得复杂，容易发生过拟合，即如果邻近的实例点恰巧是噪声，预测就会出错，极端的情况是k=1，称为最近邻算法，对于待预测点x，与x最近的点决定了x的类别。k值得增大意味着整体的

2016-01-08 10:22:44 557

转载统计学习笔记（2）——感知机模型

感知机学习旨在求出将训练数据集进行线性划分的分类超平面，为此，导入了基于误分类的损失函数，然后利用梯度下降法对损失函数进行极小化，从而求出感知机模型。感知机模型是神经网络和支持向量机的基础。下面分别从感知机学习的模型、策略和算法三个方面来介绍。1. 感知机模型感知机模型如下：f(x)= sign(w*x+b) 其中，x为输入向量，sign为符号函数

2016-01-08 10:21:24 636

转载统计学习笔记（1）——统计学习方法概论

1.统计学习统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科，也称统计机器学习。统计学习是数据驱动的学科。统计学习是一门概率论、统计学、信息论、计算理论、最优化理论及计算机科学等多个领域的交叉学科。统计学习的对象是数据，它从数据出发，提取数据的特征，抽象出数据的模型，发现数据中的知识，又回到对数据的分析与预

2016-01-08 10:20:28 799

转载 OpenCV Python教程系列

参考：OpenCV - sunny2038的专栏 - 博客频道 - CSDN.NET http://blog.csdn.net/sunny2038/article/category/904451

2016-01-07 11:41:50 3603

转载机器视觉资料汇总（2）

转载自：[转载整理]计算机视觉及机器学习牛人和资料 - Kenneth CHOU - 博客园http://www.cnblogs.com/wangqiqi/p/3786157.htmlPaper毕竟是死的，写Paper的人才是活的，那么现在就研究一下CV圈的格局，按师承关系，总结成一个树形结构[参考1]。David Marr----->Shimon

2016-01-07 11:38:23 1359

转载深度学习之常见tricks

本文主要给出了在实现网络或者调节代码过程使用的以及平时看一些文章记录下来的一些小技巧，主要针对卷积网络和图像处理。就个人感受，有些技巧还是非常有效的，而且通常可以通过看开源库的一些文档或者源代码来发掘这些内容，最后能够称为自己所用。1.构造validation set一般数据集可能不会给出验证集，所以自己会从给的训练集中按照一定比例（9：1）分离出验证集。2.增加训练数据为了更好的

2016-01-07 11:25:21 4258 3

转载 Caffe学习系列(18): 绘制网络模型

转载自：Caffe学习系列(18): 绘制网络模型 - denny402 - 博客园http://www.cnblogs.com/denny402/p/5106764.htmlpython/draw_net.py, 这个文件，就是用来绘制网络模型的。也就是将网络模型由prototxt变成一张图片。在绘制之前，需要先安装两个库１、安装ＧraphViz#

2016-01-07 10:52:05 1238

转载从脸部识别到火星机器人，正在改变世界的计算机视觉

转载自：从脸部识别到火星机器人，正在改变世界的计算机视觉 - CV领域新闻 - VALSE - 视觉与学习青年学者研讨会http://valser.org/thread-796-1-1.html?plg_nld=1&plg_uin=1&plg_auth=1&plg_nld=1&plg_usr=1&plg_vkey=1&plg_dev=1计算机视觉是一门跨领域的计算机

2016-01-07 10:43:17 1407

转载【Caffe实践】基于Caffe的人脸关键点检测实现

转载自：【Caffe实践】基于Caffe的人脸关键点检测实现 - 1983的专栏 - 博客频道 - CSDN.NEThttp://blog.csdn.net/chenriwei2/article/details/49706563引言如果关注Kaggle 机器学习项目的同学，一定很熟悉人脸关键点检测这个任务，在2013 年的时候，ICML举办一个的challgen

2016-01-07 10:23:16 5145 1

转载【Caffe实践】基于Caffe的人脸识别实现

转载自：【Caffe实践】基于Caffe的人脸识别实现 - 1983的专栏 - 博客频道 - CSDN.NEThttp://blog.csdn.net/chenriwei2/article/details/49500687导言深度学习深似海、尤其是在图像人脸识别领域，最近几年的顶会和顶刊常常会出现没有太多的理论创新的文章，但是效果摆在那边。DeepID是

2016-01-07 10:22:16 10320 2

转载【Caffe实践】基于Caffe的人脸检测实现

转载自：【Caffe实践】基于Caffe的人脸检测实现 - 1983的专栏 - 博客频道 - CSDN.NEThttp://blog.csdn.net/chenriwei2/article/details/503210850. 引言深度学习可以说是在人脸分析相关领域遍地开花，近年来在人脸识别，深度学习在人脸检测，人脸关键点检测中有很广泛的应用，这篇文章中，初步实

2016-01-07 10:20:12 7153

转载机器学习系列(4)_机器学习算法一览，应用建议与解决思路

2016-01-07 09:36:56 1296

原创 Python下opencv使用笔记系列

参考：opencv+python - 我爱智能 - 博客频道 - CSDN.NEThttp://blog.csdn.net/on2way/article/category/5630773

2016-01-06 16:42:46 1240

转载 Caffe学习系列(17)：模型各层特征和过滤器可视化

转载自：Caffe学习系列(17)：模型各层特征和过滤器可视化 - denny402 - 博客园http://www.cnblogs.com/denny402/p/5105911.htmlcifar10的各层数据和参数可视化先用caffe对cifar10进行训练，将训练的结果模型进行保存，得到一个caffemodel，然后从测试图片中选

2016-01-06 16:15:07 1518

转载 Caffe学习系列(16)：各层权值参数可视化

转载自：Caffe学习系列(16)：各层权值参数可视化 - denny402 - 博客园http://www.cnblogs.com/denny402/p/5103425.html通过前面的学习，我们已经能够正常训练各种model了。我们训练cifar10数据，迭代10000次，然后将训练好的 model保存起来，名称为my_iter_10000.caffemodel，然后

2016-01-06 16:14:02 6644

转载 Caffe学习系列(15)：计算图片数据的均值

图片减去均值后，再进行训练和测试，会提高速度和精度。因此，一般在各种模型中都会有这个操作。那么这个均值怎么来的呢，实际上就是计算所有训练样本的平均值，计算出来后，保存为一个均值文件，在以后的测试中，就可以直接使用这个均值来相减，而不需要对测试图片重新计算。一、二进制格式的均值计算caffe中使用的均值数据格式是binaryproto, 作者为我们提供了一个计算均值的文件co

2016-01-06 16:11:08 16078 3

转载学习鸟哥的Linux私房菜笔记（5）——目录

一、目录目录在文件类型上用d来表示，用 / 分割目录层Linux操作系统都有且仅有一个起始目录，我们用一个单独的 /来表示，称其为根目录。对每一个Shell和操作环境，都有一个当前的工作目录。二、 . 文件与 ..文件在每一个目录下都有一个.文件与 .. 文件。 . 文件是对当前目录的一个硬链接 .. 文件是对上级目录的一个硬链

2016-01-06 16:07:27 455

空空如也

空空如也