- 博客(17)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 核函数
核函数目的：把原坐标系里线性不可分的数据用Kernel投影到另一个空间，尽量使得数据在新的空间里线性可分。核函数特点是：1）核函数的引入避免了“维数灾难”,大大减小了计算量。而输入空间的维数n对核函数矩阵无影响，因此，核函数方法可以有效处理高维输入。2）无需知道非线性变换函数Φ的形式和参数.3）核函数的形式和参数的变化会隐式地改变从输入空间到特征空间的映射，
2017-08-21 09:52:00
1081
原创 curse of dimension维数灾难
为了获得更精准的分类，可以添加更多特征。也许特征达到一定维度，我们会得到一个堪称完美的分类器？其实不然，因为当特征达到一定维度后，再去增加维度会导致分类器的性能下降，这便是经常提到的“curse of dimension” 在得到一个性能优良的分类器前，增加特征便会有更好的分类效果，但事实却不是这样。其实在增加特征时，样本的密度会呈指数形式下降。假设1维中长度为5个单位,2维中会有25
2017-08-20 22:55:23
2065
原创 网易笔试在线编程_ 彩色的砖块
package wangyi;import java.util.HashMap;import java.util.Scanner;public class Main{ public static void main(String[] args) { String str; Scanner scanner=new Scanner(System.in); str=scanne
2017-08-17 17:14:44
326
原创 网易笔试在线编程_ 独立的小易
import java.util.Scanner;public class Main { public static void main(String[] args) { int x,f,d,p; Scanner scanner=new Scanner(System.in); x=scanner.nextInt(); f=scanner.nextInt(); d=scan
2017-08-17 16:38:11
365
原创 网易笔试在线编程_ 操作序列
import java.util.Deque;import java.util.LinkedList;import java.util.Scanner;public class Main { public static void main(String[] args) { int n; int str[] = null; Scanner scanner=new Scann
2017-08-17 16:14:48
298
原创 机器学习笔试题4
1. （矩阵相乘）深度学习是当前很热门的机器学习算法，在深度学习中，涉及到大量的矩阵相乘，现在需要计算三个稠密矩阵A,B,C的乘积ABC,假设三个矩阵的尺寸分别为m∗n，n∗p，p∗q，且m，以下计算顺序效率最高的是（） A.(AB)CB.AC(B)C.A(BC)D.所以效率都相同正确答案：A解析： m*n*p2. （贝叶斯）Nave Bayes是一种特
2017-08-13 17:54:48
2333
原创 机器学习笔试题3
1、HMM中,如果已知观察序列和产生观察序列的状态序列,那么可用以下哪种方法直接进行参数估计()EM算法维特比算法前向后向算法极大似然估计正确答案: DEM算法： 只有观测序列，无状态序列时来学习模型参数，即Baum-Welch算法维特比算法： 用动态规划解决HMM的预测问题，不是参数估计 前向后向：用来算概率 极大
2017-08-13 10:09:03
3391
原创 网易机器学习笔试题2
D ： p = &x; 表示的是，对x取地址，赋值给指针p，那么p 将指向 x 的那块内存空间，但是 x 是形式参数(也有人说是方法参数，都可以)，函数调用完了之后，内存就释放了，所以再返回 *p（即取出那块内存空间的值），已经找不到了。所以错误。A ：*p = x； 表示的是 将 x 的值赋值给 P 所指向的空间，而p之前并没有指向任何地方，这个操作将是非法的。 C：*p =
2017-08-12 11:27:13
1458
原创 网易机器学习笔试题
1、常见的生成式模型和判别式模型有哪些？ 生成式模型：HMM、朴素贝叶斯 判别式模型：svm、最大熵模型、决策树、神经网络、条件随机场。6、EM算法的基本概念和应用场景？最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。假设我们估计知道A和B两个参数
2017-08-11 09:07:20
662
原创 线性分类器有三大类
线性分类器有三大类（线性分类器三种最优准则）：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器。感知器准则函数：代价函数J=-(W*X+w0)，分类的准则是最小化代价函数。感知器是神经网络（NN）的基础，网上有很多介绍。SVM：支持向量机也是很经典的算法，优化目标是最大化间隔（margin），又称最大间隔分类器，是一种典型的线性分类器。（使用核函数可解决非线性问题）...
2017-08-09 15:07:33
5373
原创 CNN在应用中，为什么GPU可以有加速效果
CNN在应用中，一般采用GPU加速，请解释为什么GPU可以有加速效果，主要加速算法的哪一个部分？这里默认gpu加速是指NVIDIA的cuda加速。CPU是中央处理单元，gpu是图形处理单元，gpu由上千个流处理器(core)作为运算器。执行采用单指令多线程(SIMT)模式。相比于单核CPU（向量机）流水线式的串行操作，虽然gpu单个core计算能力很弱，但是通过大量线程进行同时计算，在数据量很
2017-08-09 11:08:06
6598
原创 GPU对CNN计算的加速原理到底是怎样的？
具体到cnn，利用gpu加速主要是在conv（卷积）过程上。conv过程同理可以像以上的向量加法一样通过cuda实现并行化。具体的方法很多，不过最好的还是利用fft（快速傅里叶变换）进行快速卷积。NVIDIA提供了cufft库实现fft，复数乘法则可以使用cublas库里的对应的level3的cublasCgemm函数。再具体到各大框架是如何使用gpu对cnn进行加速的，目前主流的做法是使用NVI
2017-08-09 10:59:41
4273
原创 CNN之于CV和NLP
自然语言处理是对一维信号（词序列）做操作，计算机视觉是对二维（图像）或三维（视频流）信号做操作。不同：自然语言处理的输入数据通常是离散取值（例如表示一个单词或字母通常表示为词典中的one hot向量），计算机视觉则是连续取值（比如归一化到0，1之间的灰度值）。 为什么CNN用在CV上更得心应手，却不一定适合NLP？要看清这点就要理解CNN的原理。CNN有两个主要特点，区域不变性(locat
2017-08-08 21:38:53
6207
转载 静态链接库与动态链接库的优缺点
1 静态链接库的优点 (1) 代码装载速度快，执行速度略比动态链接库快； (2) 只需保证在开发者的计算机中有正确的.LIB文件，在以二进制形式发布程序时不需考虑在用户的计算机上.LIB文件是否存在及版本问题，可避免DLL地狱等问题。 2 动态链接库的优点 (1) 更加节省内存并减少页面交换； (2) DLL文件与EXE文件独立，只要输出接口不变（即名称、参数、返回值类型...
2017-08-08 18:47:07
387
原创 交叉熵
交叉熵理论交叉熵与熵相对，如同协方差与方差。熵考察的是单个的信息（分布）的期望：H(p)=−∑i=1np(xi)logp(xi)交叉熵考察的是两个的信息（分布）的期望： H(p,q)=−∑i=1np(xi)logq(xi)是是是
2017-08-08 18:33:43
1345
原创 ReLU Sigmoid and Tanh（2）
Sigmoid它能够把输入的连续实值“压缩”到0和1之间。如果是非常大的负数，那么输出就是0;如果是非常大的正数，输出就是1.缺点：当输入非常大或者非常小的时候，这些神经元的梯度是接近于0的，从图中可以看出梯度的趋势。所以，需要尤其注意参数的初始值来尽量避免saturation的情况。如果你的初始值很大的话，大部分神经元可能都会处在saturation的状态而把gradientkill
2017-08-08 18:04:22
620
原创 ReLU Sigmoid and Tanh
ReLU 激活函数：ReLu使得网络可以自行引入稀疏性，在没做预训练情况下，以ReLu为激活的网络性能优于其它激活函数。 数学表达式： y=max(0,x)Sigmoid 激活函数：sigmoid 激活函数在神经网络学习方面，可以将重点特征推向中央区，将非重点特征推向两侧区。 数学表达式： y=(1+exp(−x))−1Tanh 激活函数：Tanh 激活函数使得输出与输
2017-08-08 11:49:09
1307
keras_face_recognition_cnn
2019-01-23
inception-resnet-v2 protxt caffemodel
2019-01-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人