- 博客(24)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 GANs学习系列(8)：Deep Convolutional Generative Adversarial Nerworks，DCGAN
【前言】 本文首先介绍生成式模型，然后着重梳理生成式模型（Generative Models）中生成对抗网络（Generative Adversarial Network）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。 本文涉及的论文有：Goodfello
2016-11-30 17:16:12
3563
转载 GANs学习系列(7)： 拉普拉斯金字塔生成式对抗网络Laplacian Pyramid of Adversarial Networks
【前言】 本文首先介绍生成式模型，然后着重梳理生成式模型（Generative Models）中生成对抗网络（Generative Adversarial Network）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。 本文涉及的论文有：Goodfello
2016-11-30 16:42:48
6745
1
转载 GANs学习系列(6):条件生成式对抗网络Conditional Generative Adversarial Networks
【前言】 本文首先介绍生成式模型，然后着重梳理生成式模型（Generative Models）中生成对抗网络（Generative Adversarial Network）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。 本文涉及的论文有： [1] Goodfe
2016-11-30 16:33:26
34750
2
转载 生成式模型 future application
我们需要生成（Generative models）模型，这样就能从关联输入移动到输出之外，进行半监督分类（semi-supervised classification）、数据操作（semi-supervised classification）、填空（filling in the blank）、图像修复（inpainting）、去噪（denoising）、one-shot生成 [Rezende et
2016-11-30 16:15:57
840
转载 Image Generation Paper Reference
转自http://handong1587.github.io/deep_learning/2015/10/09/image-generation.htmlPapersOptimizing Neural Networks That Generate Images(2014. PhD thesis)paper : http://www.cs.toronto.edu/~tij
2016-11-30 16:00:03
1410
转载 caffe中的卷积的计算细节和1x1卷积作用
在卷积神经网络中，卷积算是一个必不可少的操作，下图是一个简单的各层的关系。可以看出一个很好的扩展的关系，下面是整个卷积的大概的过程图中上半部分是传统的卷积的操作，下图是一个矩阵的相乘的操作。下图是在一个卷积层中将卷积操作展开的具体操作过程，他里面按照卷积核的大小取数据然后展开，在同一张图里的不同卷积核选取的逐行摆放，不同N的话，就在同一行后面继续拼接，不同个可以是多
2016-11-30 15:23:30
7291
原创 LeetCode Index For Reference
http://blog.csdn.net/sinat_17451213/article/category/6168691
2016-11-28 13:47:16
351
转载 SVM hinge loss / SoftMax cross entropy loss
损失函数(loss function) = 误差部分(loss term) + 正则化部分(regularization term)1. 误差部分1.1 gold term,0-1损失函数,记录分类错误的次数1.2 Hinge loss, 折叶损失,关于0的阀值定义:E(z)=max(0,1-z)应用: SVM中的最大化间隔分
2016-11-28 13:46:16
4157
转载 Deep Learning方向的paper整理
http://hi.baidu.com/chb_seaok/item/6307c0d0363170e73cc2cb65个人阅读的Deep Learning方向的paper整理，分了几部分吧，但有些部分是有交叉或者内容重叠，也不必纠结于这属于DNN还是CNN之类，个人只是大致分了个类。目前只整理了部分，剩余部分还会持续更新。一 RNN1 Recurrent n
2016-11-28 11:25:34
1011
原创 Autoencorder理解(4)：生成网络的类比
转完上面三篇来进行总结一下：其实自动编码器相当于构建一个神经网络让其自己学自己。在学习的过程中，其实是相当于无监督的。因为其source和target图其实就是自己。那么过程中，通过多层神经网络，最终就会选择编码到一个维度的张量，那么这个张量其实就是类似与白化，pca出来的一个代表这抽象维度稀疏性的重要组成。其实目前，我们所有用的卷积神经网络在GAN中既是如上结构的en
2016-11-21 18:12:11
633
原创 Autoencorder理解(3):Traditional AE
Image以下将分为4个部分介绍:ae基本概念ae训练方式ae特征如何做分类ae变体1)先来理解autoencoder的基本概念:自动编码器其实可以理解为是一种尽可能复现输入信号的神经网络,也可以认为自动编码器是可以像pca那样找到可以表征信息的主要成分,只不过这个过程是通过学习得到的.Encoder的过程,按照理论上来说这个code其实就是包含了事物丰富的表征信息,而decoder则是负责解释和翻译这个表征.所以a/e可以分开训练.2)再来看autoencoder的两种训练方式:
2016-11-21 18:03:07
1341
转载 Autoencoder理解(2): 自动编码器的作用之稀疏编码
如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了输入I的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，就像PCA那样，找到可以代表原信息的主要成分。具体过程简单的说明如下：1）给定无标签数据，用
2016-11-21 18:01:25
10223
转载 Autoencoder理解(1): 传统autoencoder
1）autoencoderautoencoder是一种无监督的学习算法，他利用反向传播算法，让目标值等于输入值。如图所示：Autoencoder尝试学习一个 的函数。也就是说autoencoder尝试逼近一个恒等函数，使得输出接近于输入 。当然为了使这个函数有意义，需要加入一些限制条件（比如说限制隐藏神经元的数目），就可以发现一些有意义的结构。Autoencoder可以学习到
2016-11-21 17:56:27
3000
转载 Tensorflow学习笔记参考—源码分析之最近算法
[python] view plain copy import numpy as np import tensorflow as tf # Import MINST data import input_data mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
2016-11-11 00:05:11
1814
1
原创 tensorflow中python中with用法的理解
class tf.SessionA class for running TensorFlow operations.A Session object encapsulates the environment in which Operation objects are executed, and Tensor objects are evaluated. For examp
2016-11-08 14:50:09
9076
转载 TensorFlow基本架构解读
TensorFlow本片博文是参考文献[1]的阅读笔记，特此声明TensorFlow，以下简称TF，是Google去年发布的机器学习平台，发布以后由于其速度快，扩展性好，推广速度还是蛮快的。江湖上流传着Google的大战略，Android占领了移动端，TF占领神经网络提供AI服务，未来的趋势恰好是语音图像以及AI的时代，而Google IO上发布的Gbot似乎正是这一交叉领
2016-11-07 16:05:06
2692
转载 Comparative Study of Deep Learning Software Frameworks（ caffe、Neon、TensorFlow、Theano、Torch 之比较）
reference:http://blog.csdn.net/u010167269/article/details/51810613Preface最近不少人问我哪个开源框架好用，我自己用过 caffe、TensorFlow、Theano、Torch，用过之后虽然有一定的感觉。但我想很多东西需要实验来具体的验证。正好我看自己的 Mendeley 中有一篇这个文章：《C
2016-11-07 15:45:28
1070
转载 Caffe、TensorFlow、MXnet三个开源库对比
referenece:https://chenrudan.github.io/blog/2015/11/18/comparethreeopenlib.html最近Google开源了他们内部使用的深度学习框架TensorFlow[1]，结合之前开源的MXNet[2]和Caffe[3]，对三个开源库做了一些讨论，其中只有Caffe比较仔细的看过源代码，其他的两个库仅阅读官方文档和一些研究者
2016-11-07 15:39:54
796
原创 ubuntu14.04+cuda8.0(gtx1080)下tensorflow的安装
tensorflow的安装https://www.tensorflow.org/versions/master/get_started/os_setup.html#anaconda-installation注意系统的python(sudo python pip )和anaconda的python(python的区别 python pip) 不然会装错地方两行命令行:
2016-11-07 14:29:59
1315
转载 PyCharm选择性忽略PEP8代码风格警告信息
用了几天的PyCharm，发现确实在编写Python代码上非常好用，但有一点体验不太好，就是代码编写时要按照PEP8代码风格编写，不然会有波浪线的警告信息。解决方法如下：方法一：将鼠标移到提示的地方，按alt+Enter，选择忽略（Ignore）这个错误即好。方法二打开：File - Settings…… - Editor - Inspections在pyt
2016-11-07 11:09:58
7394
1
转载 Ubuntu14.04下Pycharm字体渲染
由于在ubuntu下安装好后pycharm发现pycharm的字体实在不能看。。。故而找到了字体渲染的方法，感觉好多了0 0在ubuntu下搭建了django的开发环境，搭建过程十分简单，Pycharm的安装更简单，下载tar包解压并执行bin目录下的脚本即可，但是看着那个字体真心不爽。于是开始搜索调教。1、安装打了渲染补丁OpenJDK删除之前安装的java7，通过PPA安装
2016-11-07 11:04:33
2110
原创 torch入门笔记20:torch实现freeze layer的操作
这两天一直在尝试着在torch的框架内实现freeze layer，通过search google，从极少的文档中找到比较work的方法，故而总结在这。You can set the learning rate of certain layers to zero by overriding their updateParameters and accGradPa
2016-11-04 18:40:06
3837
原创 torch入门笔记19:关于一些torch博客的索引
1.Torch 中的引用、深拷贝 以及 getParameters 获取参数的探讨http://blog.csdn.net/u010167269/article/details/520731362.Triplet Loss、Coupled Cluster Loss 探究http://blog.csdn.net/u010167269/article/details/5202737
2016-11-04 18:34:14
862
转载 torch入门笔记18: Torch 中的引用、深拷贝 以及 getParameters 获取参数的探讨
Preface这段时间一直在苦练 Torch，我是把 Torch 当作深度学习里面的 Matlab 来用了。但最近碰到个两个坑，把我坑的蛮惨。一个是关于 Torch 中赋值引用、深拷贝的问题，另一个是关于 getParameters() 获取参数引发的问题。所以这部分就不放在之前的博文 Code Zoo - Lua & Torch 中了，单独拎出来。第一
2016-11-02 18:28:50
2480
cacert.pem
2017-05-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人