深度瞎学汪-CSDN博客

原创初窥卷积网络感受野

感受野（receptive field）作为卷积神经网络（CNN）中最重要的概念之一，我们对它的重视程度是远远不够的！学了这么久的网络，突然间发现自己好像啥也不是很透彻，啥都能扯点。。这样的学习方式应该受到批评！导师教导我们：工作不细就是失误，操作失误就是犯罪。哈哈。。。泄密必被抓。。抓住必杀头。。蜜汁尴尬好了现在来说说卷积网络的感受野到底是什么吧。感受野是指CNN结构中某个特征映射到

2017-12-05 21:06:27 1361 1

原创 xgboost 的前世今生

可谓是了解了 xgboost ，就了解了机器学习的一大半算法。博主此意并不是刻意夸大xgboost的算法强大，在这里我想说的是 xgboost 的来由是渐渐演变的，是一个绝世高手成长的过程。xgboost 渐渐成了工业界最喜爱的宠儿，学生们竞赛的利器。接下来，让博主来揭开它神秘的面纱吧！接下来给出整篇文章的结构：1： XGBoost的函数模型2：XGBoost的目标函数 1

2017-11-28 10:41:35 4480

原创 svm 相关的一些感想

SVM的整理思路和流程：然后到了线性分类器——>分类标准的起源：Logistic回归 —–> 函数间隔—->几何间隔几何间隔—>求解最优化问题—-> svm的对偶算法若线性不可分—-> 引入核函数—>序列最小最优算法第一层、了解SVM支持向量机，因其英文名为support vector machine，故一般简称SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线

2017-11-28 09:40:59 454

转载 tensorflow 中的object-detction API 使用指南

熟悉TensorFlow的人都知道，tf在Github上的主页是：tensorflow，然后这个主页下又有两个比较重要的repo（看star数就知道了），分别是TensorFlow的源代码repo：tensorflow/tensorflow，还有一个tensorflow/models。后者tensorflow/models是Google官方用TensorFlow做的各种各样的模型，相当于示例代码，比

2017-11-25 14:30:45 4048

原创机器学习中学习曲线的 bias vs variance 以及数据量m

关于偏差、方差以及学习曲线为代表的诊断法：在评估假设函数时，我们习惯将整个样本按照6:2:2的比例分割：60%训练集training set、20%交叉验证集cross validation set、20%测试集test set，分别用于拟合假设函数、模型选择和预测。模型选择的方法为： 1. 使用训练集训练出 10 个模型 2. 用 10 个模型分别对交叉验证集计算得出交叉验证误差（代价

2017-11-24 21:02:12 1918

翻译 Faster - R - CNN 详解

摘要言归正传，目标检测领域由RCNN开始，通将引入卷积神经网络取得了长足的进展，但是始终未能摆脱传统区域建议算法的限制。Fast RCNN提到如果去除区域建议算法的话，网络能够接近实时，而selective search方法进行区域建议的时间一般在秒级。产生差异的原因在于卷积神经网络部分运行在GPU上，而selective search运行在CPU上，所以效率自然是不可同日而语。一种可以想到的解决策

2017-11-24 11:42:22 1052

原创 ubuntu 中 tensorflow 安裝避坑指南

可以更改下自己的下載鏡像源：如清華鏡像源 1：安裝anaconda 建立一个 conda 计算环境 2：condacreate−ntensorflowpython=2.7（3.6）激活环境，使用conda安装TensorFlow3： conda create -n tensorflow python=2.7（3.6）激活环境，使用 conda 安装 TensorFlow 3： s

2017-11-23 11:48:07 270

翻译 fast r cnn 论文疑惑解答

RCNN通过卷积神经网络提取图像特征，第一次将目标检测引入了深度学习领域。SPPNet通过空间金字塔池化，避免了对于同一幅图片多次提取特征的时间花费。但是无论是RCNN还是SPPNet，其训练都是多阶段的。首先通过ImageNet预训练网络模型，然后通过检测数据集微调模型提取每个区域候选的特征，之后通过SVM分类每个区域候选的种类，最后通过区域回归，精细化每个区域的具体位置。为了避免多阶段训练，同时

2017-11-22 15:06:44 482 2

原创 win7 conda 安装 tensorflow

目前Anaconda的tensorflow安装包只有CPU版，如果想使用GPU版建议使用pip安装或Docker安装 1.更改清华镜像源库以便安装速度提高 TUNA 提供了 Anaconda 仓库的镜像，运行以下命令:conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ cond

2017-11-21 15:43:06 522 1

转载欢迎使用CSDN-markdown编辑器

欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图离线写博客导入导出Markdown文件丰富的快捷键快捷键加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl

2017-11-21 15:37:55 164

原创 Online Hard Example Mining

Introduction hard example mining 是机器学习在训练时常见的步骤。总结起来，mining方法大概可以分为两类：一种是SVM中用到margin-based，即训练时将violate the current model’s margin 的样本认为是hard example，迭代直到收敛;另一种是在级联框架中的将false positive 认为是hard exampl

2017-11-18 20:37:35 917

原创 FCN 和 U-net

FCN:全卷积网络，没有全链接层，全部用卷基层来代替。在通过若干次的上采样，将特征图扩大跟原图大小的若干张概率图，每张概率图表示这个像素属于该类别的概率值。 u-net 和 FCN 的思路基本上差不多。一个区别是 u-net没有用vgg等的CNN模型作为预训练模型，因为u-net做的是医学图像的二值分割，没必要用ImageNet的预训练模型，而且u-net这个结构我们是可以根据自己的数据集自由加深

2017-11-18 10:13:05 2369

原创阿里天池医疗大赛第二季感想

医疗影像类国内的比赛当属这个了，参赛队伍达到了2200多支。接下来我来谈下自己在比赛中遇到的问题和一些想法。第一：在对肺实质提取的过程中，其实是一个比较繁琐的事。但越是精细的肺实质提取，算法达到的瓶颈就会来的越迟。传统的形态学操作不失为一种好方法第二：在对输入图片训练用的分割网络。使用了 u-net 和 voxresnet。在做segmentation的时候，注意不要res

2017-11-17 21:23:17 756

转载 FFM原理与 LR

FM（Factorization Machine）因式分解机应用范围解决稀疏数据下的特征组合问题问题原因：经过One-Hot编码之后，样本的维度大幅增加，大部分样本数据特征是比较稀疏的。通过观察大量的样本数据可以发现，某些特征经过关联之后，与label之间的相关性就会提高。那么如何进行特征组合就是问题的关键。多项式模型是包含特征组合的最直观的模型。对于二阶多项式模型，两个特

2017-11-14 22:03:31 1666

原创 xrange 与 range 的区别

>>> range(5) [0, 1, 2, 3, 4] >>> range(1,5) [1, 2, 3, 4] >>> range(0,6,2)[0, 2, 4]xrange 用法与 range 完全相同，所不同的是生成的不是一个list对象，而是一个生成器。>>> xrange(5)xrange(5)>>> list(xrange(5))[0, 1, 2

2017-11-14 19:52:00 302

翻译 Best Time to Buy and Sell Stock Short python solution, O(n) runtime, O(1) space

问题很简单，要观察最大值和最小值的变化，我们需要保证更大值总出现在更小值的后面。So, here is how I tackled it. Instead of going forward, I scanned through the list of prices backward to store the current maximum number. Update the bi

2017-11-14 10:11:07 220

转载 1-bit and 2-bit Characters

创建一个index 来跟踪判断是否index 会跳到 n-1 ，如果可以的话则返回True否则返回False。 if not bits: return False n = len(bits) index = 0 while index if index == n-1 : return True i

2017-11-14 09:33:06 290

zww275250的博客