- 博客(17)
- 收藏
- 关注
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
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人