paulPig-CSDN博客

原创五层神经网络梯度推导(输出层到隐藏层、隐藏层到隐藏层、隐藏层到输入层)

应用minist分类一、输出层到隐藏层的推导输出层的矩阵P为train_number×10距离输出层最近的隐藏层X为train_number*100更新权重公式为XT∗PX^T*P大小为100*10-(pro-V);pro代表计算得到矩阵，V代表正确的为1，其余为0二、隐藏层到隐藏层的推导这个之后真的得推到下三、隐藏层到输出层的推导这个更加难，心累

2018-11-02 10:24:56 12675

原创机器学习中线性模型和非线性的区别

误区之前一直以为线性和非线性的区别是是否可以用直线将样本划分开和同学讨论到logistics模型是线性还是非线性的，很难理解！(logistics模型是广义线性模型)线性模型和非线性模型区别线性模型也是可以用曲线划分的，例如logistics模型区分是否为线性模型，主要是看一个乘法式子中自变量x前的系数w,如果w只影响一个x，那么此模型为线性模型。或者判断决策边界是否是线性的举例 y=

2017-10-21 22:21:21 27740 8

原创抗打印的水印算法

抗打印水印算法以下是余下全文一、算法的思想主要思想：周期图像的自相关函数，水印信息实际上是角度1.嵌入水印思想：将一个有周期性并且有角度的随机块嵌入到图像中。举个例子：现有28*7的随机矩阵，之后将此矩阵不断重复知道能够覆盖图像，之后按照一个角度（实际上就是我们的水印信息）将此随机矩阵旋转，最后嵌入到原图像中。这时候，可能有人会问，这么简单粗暴的将水印嵌入图像中，不是将原来图像的信息

2017-09-17 18:12:36 3463 3

原创基于贝叶斯变换的手写识别数字（MFC+Opencv）

基于贝叶斯手写识别的关键还是在于统计学以下是余下全文一、什么是贝叶斯公式P(Wi/X)=P(X/Wi)*P(Wi)/P(X)二、贝叶斯公式和手写识别的关系（解释上述公式） Wi:分类器（相当于数字’0’类、数字’1’类等）　　X：输入样本（相当于输入识别的图片，样本是由特征组成在，也就是样本和特征有时候是可以等价理解的） P(Wi/X):当前输入样本X，将样本X归到Wi类的概率值

2017-09-17 18:12:03 1064

原创不均匀光照的二值化方法（去阴影、去曝光）

基于对比背景图像，调整对比度以下是余下全文测试图像是白底黑字一、算法思想 1.计算整幅图像的背景图像 2.图像的标准化 3.对比原图像和背景图像，增强和对比度。二、算法详细步骤 1.计算整幅图像的背景图像 (1)设计w*w的区域（w自定义大小） (2)将(1)的区域去遍历整幅图像，由于是白底黑字的图片，将区域中最高的五个像素点的平均值作为背景值。原图背景图像

2017-09-17 18:10:44 16917

原创 python+svmlib+opencv实现图片验证码的自动识别

识别原理关键基于机器学习以下是余下全文python配置opencv网址 python配置SVMLIB网址一、思想（基本步骤）1.获取训练样本（python“爬”取）2.图片预处理（去噪声）3.图片分割（分割为单个数字）4.提取特征（每行黑色像素点构成的向量的协方差）5.训练（基于svmlib）6.识别（基于svmlib）二、获取训练样本图片验证码是来源于“湖南大学迎新系统”

2017-09-17 18:09:27 4410 1

原创 Python实现三层BP神经网络

题外话看论文，仿真实现，最基本的能力！研一的时候定要多看看论文，提升自己的代码能力！引言本篇博客默认读者有一定的BP神经网络的基础，BP神经网络的基本知识就不阐述了！BP神经网络结构本文内容： 1. 二分类的三层BP神经网络 2. 激活函数为sigmoid函数 3. 由于是二分类，输出函数和隐藏层函数都为sigmoid函数 4. 计算下一层节点的公式：y=wx+b步骤大概步骤： 1. 初

2017-09-17 17:36:13 6914

原创 window配置TensorFlow-gpu版本出现问题

配置参考网址https://nitishmutha.github.io/tensorflow/2017/01/22/TensorFlow-with-gpu-for-windows.html大家可以参考此网址配置基础的部分！注意点conda是用来创建一个Python3版本的环境，自己配置两个Python版本是可以的。如何切换不同版本的Python，可以参考网址https://www.zhihu.com

2017-09-14 22:30:06 458

原创 jquery中动画（animal）只运行一次的问题！

jquery中动画（animal）只运行一次的问题！本人想要编写的功能是：组件向左滑动一段距离之后，滑动结束之后，将组件复原（回到原来位置）！具体代码： $("#content").animate({right:'0'},3000,function() { var first=$("#content li:first-child").clone(

2017-07-31 14:42:14 4029 1

原创计算机网络的cookie理解

之前由于一直没有理解cookie的作用，《计算机网络自顶向下》中讲到有两个方面的作用。1.cookie可以用来标示用户，就是当我上某个网站的时候，突然我将我的浏览器关闭啦。但是当我打开浏览器，再次登陆到网站的时候，会发现我的个人信息还是存在的（前提在cookie的生命周期内）。这个其实很好理解的。2.cookie在互联网购物中也发挥了巨大的作用，这个就比较难理解啦。在书中的demo是coo

2016-06-20 14:30:28 729

paulPig的博客