Rachel Zhang的专栏_Rachel-Zhang_CSDN博客-ACM,C/C++,Computer Vision领域博主

私信关注

Rachel-Zhang

码龄12年

小女程序员啊~

目前就职百度IDL
于 2009-07-28 加入CSDN

获得成就

博客专家认证
获得1,037次点赞
内容获得4,685次评论
获得3,635次收藏

荣誉勋章

TA的专栏

ACM
147篇
杂感
39篇
Compression
16篇
C/C++
133篇
Computer System
32篇
Data Mining
26篇
Linux & MAC
20篇
Computer Vision
101篇
Machine Learning
49篇
MFC
42篇
MATLAB
16篇
C#
33篇
ASP.NET
8篇
Python
25篇
Computer Graphics
2篇
DIV+CSS
2篇
DataBase
12篇
Java
3篇
English
2篇
Data Structure
75篇
C/C
4篇
php
2篇
shell
3篇
lua
swig
1篇
NLP
1篇

博客之星拉票

求投票，每天可投一次~

帮我的博客投票
截止日期：2015.1.25

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 0: ordinal not in range(128)

python的编码问题一直是头痛，比如matplotlib画图只接受utf-8编码，如果没有设置就会在画图时报错。有时间整整这个python编码；如标题所示，解决方案：加入import sysreload(sys)sys.setdefaultencoding("utf-8")

shell 例程 —— 解决redis读取稳定性

问题背景： php读取线上redis数据，经常不稳定，数据响应时有时无。解决方法：多次读取，每次读取所有上一次没读出的数据，直到全部获取。本文实现用shell进行多次redis数据读取，每次取出其中的有效值（对于我们的例子中，就是给key，能在redis上取得其value的为有效值，其他无效），并将无效值重跑一遍，以此迭代，直到所有redis数据被取出。PS：redis数据可以由php或

Linux下批量删除空文件

Linux下批量删除空文件（大小等于0的文件）的方法find . -name "*" -type f -size 0c | xargs -n 1 rm -f用这个还可以删除指定大小的文件，只要修改对应的 -size 参数就行，例如：find . -name "*" -type f -size 1024c | xargs -n 1 rm -f就是删除1k大小的文件。（但注意不要用 -size 1k

匹配不包含指定中文字符的行

上一篇利用正则表达式匹配不包含某些指定字符的只是动动脑机，回忆一下正则表达式，但是遇到了中文，一来编码问题不方便，二来容易考虑问题有漏洞。如果我们想实现匹配不包含某些字符串的功能，还是用shell脚本比较安全。如下面这段代码实现匹配所有不含“登录”和“注册”的行。其中， “=~”表示包含。str="登录|注册"while read line; do if [[ ! $line =~

利用正则表达式排除特定字符串

本文转载自：http://www.cnblogs.com/wangqiguo/archive/2012/05/08/2486548.html查找不以baidu开头的字符串baidu.comsina.com.cn正则：^(?!baidu).*$ 匹配结果就是第2行，也就是第1行被排除了这里使用了零宽度断言(?!exp),注意，我们有一个向前查找的语法(也叫顺序环视) (?=exp)(?=exp)

CUDA系列学习（五）GPU基础算法: Reduce, Scan, Histogram

喵~不知不觉到了CUDA系列学习第五讲，前几讲中我们主要介绍了基础GPU中的软硬件结构，内存管理，task类型等；这一讲中我们将介绍3个基础的GPU算法：reduce，scan，histogram，它们在并行算法中非常常用，我们在本文中分别就其功能用处，串行与并行实现进行阐述。 1. Task complexitytask complexity包括step complexity（可以并行成几个操作

Python数据可视化——散点图

本文记录了python中的数据可视化——散点图scatter，令x作为数据（50个点，每个30维），我们仅可视化前两维。labels为其类别（假设有三类）。这里的x就用random来了，具体数据具体分析。label设定为[1:20]->1, [21:35]->2, [36:50]->3，（python中数组连接方法：先强制转为list，用+，再转回array）用matplotlib的scatter

解决 Mac OS SSH 登陆 Linux 出现中文乱码问题

原理：都用utf-8.方法：terminal中： LANG=zh_CN.UTF-8 export LANGterminal preference 中的encoding改成utf-8关掉terminal, 重新连接

Caffe —— Deep learning in Practice

因工作交接需要，要将caffe使用方法及整体结构描述清楚。鉴于也有同学问过我相关内容，决定在本文中写个简单的tutorial, 方便大家参考。本文简单的讲几个事情：Caffe能做什么？为什么选择caffe?环境整体结构Protocol buffer训练基本流程Python中训练Debug

word2vec——高效word特征求取

继上次分享了经典统计语言模型，最近公众号中有很多做NLP朋友问到了关于word2vec的相关内容，本文就在这里整理一下做以分享。本文分为概括word2vec 相关工作模型结构 Count-based方法 vs. Directly predict几部分，暂时没有加实验章节，但其实感觉word2vec一文中实验还是做了很多工作的，希望大家有空最好还是看一下。

Makefile 速成

本文主要内容：一. Makefile/makefile规则及举例二. make的工作方式三、makefile中的常用自动化变量与通配符四、makefile自动生成依赖性关系五、调用命令 1. 显示命令 2. 命令出错 3. 命令执行六、变量 1. 变量定义 2. 变量引用 3. 变量替换七、条件判断八、常用函数 1. 字符串处理函数 2.

经典统计语言模型

本文介绍三个经典统计语言模型， HAL，LSA, 与COALS.

双系统 linux开机加载windows硬盘

环境：windows7 + ubuntu双系统，用wubi装的linux问题：默认打开linux，不加载win7的硬盘；1. GUI下倒是方便，设备里点一下就可以加载上，但是远程的时候点击显示“无法加载硬盘 Not Authorized”2. 命令行下可以加载， sudo mount 就可以，但是问题来了，一是win7硬盘在哪里？二是能不能开机自动加载？每次都酱紫太麻烦。解决方案：1

mac终端新建标签/窗口ssh重复输入密码问题

mac的终端默认在打开一个新的tab/window的时候需要重新输入ssh的密码，很不方便。本文完成在mac中设置，实现secureCRT/xshell里的克隆会话功能，即新开一个terminal进行ssh连接无需重新输入密码。原理很简单，开一个ssh连接在后台放着，以后再有需要用到ssh到同样主机的时候，直接使用这个连接的socket文件，不用再创建连接了，同理，也不需要再进行用户身份验证。默

github不小心同步覆盖了本地文件

昨天不小心github的commit还没push就同步了，导致本地文件被覆盖，一度以为没救了。后来得微博 @空非无和 @柳烟堆雪指点，用git reflog 恢复了文件。事情是这样的。。。我在两个电脑上修改一个项目，A修改文件a，B修改文件b。然后我干了下面这些事，按时间顺序。。。 1. A上 git commit 2. A上 git push 3. B上 git commit 4.

CUDA系列学习（四）Parallel Task类型与 Memory Allocation

本文为CUDA系列学习第四讲，首先介绍了Parallel communication patterns的几种形式（map, gather, scatter, stencil, transpose）, 然后复习了cuda memory model并从high level上分析怎样写出高效代码，最后学习了流程控制（control flow）以及其中一个重要部分——原子操作。参考资料：udacity cs344.

gputimer.h

CUDA系列学习（四）Parallel Task类型与 Memory Allocation 配套代码获取gpu时间

发布资源于 6 年前

matlab 扩大虚拟内存

今天服务器挂了。。用了自己电脑结果爆内存，分享一个扩大虚拟内存的方法，经测试有效。。使用Matlab生成很大的图片时，碰到了"out of memory"的错误，导致图片无法生成，于是不得不扩展虚拟内存。具体过程记录如下：1）查看当前的虚拟内存在Matlab的命令行中，键入命令：feature ('memstats')，得到如下结果：[plain] view plaincopyPhysic

CUDA系列学习（三）GPU设计与结构QA & coding练习

啥？你把CUDA系列学习（一）（二）都看完了还不知道為什麼要用GPU提速而不能做CPU优化？是啊。。经微博上的反馈我默默感觉到提出这样问题的小伙伴不在少数，但是更多小伙伴应该是看了（一）就感觉离自己太远所以赶紧撤粉跑掉了。都怪我没有写CUDA系列学习（零）。。。那么，这一章就补上这一块，通过一堆Q&A进行讲解，并辅助coding练习，希望大家感觉贴近CUDA是这么容易~~Q：现在硬件层面通常通过

关于“博客之星”评选活动的意见

我很久没有抱怨，更不想在csdn这个技术平台发表任何煽动性言论，csdn提供了这个技术交流的平台，方便大家相互探讨，我们应该感谢才对。但正如大家看到的，我的博客之星评选被封了号，也被一些人误认为我刷票，在此我仅作一个积极回应。1.无告知封号：我完全不知情是否是刷票，还是真的有一些粉丝在同一时间投票。如果不是粉丝告知，我没有收到csdn任何关于封号的通知，酱紫不会伤用户体验么？2.

recompile with -fPIC /usr/local/lib/libboost_python.a: could not read symbols: Bad value

在用boost库的时候遇到了一些挫折，本文记录下来方便大家参考：1.

CUDA系列学习（二）CUDA memory & variables - different memory and variable types

（一）、CPU Memory 结构CPU提速主要依靠局部性原理，即时间局部性和空间局部性。我们先看一下CPU的内存结构：Data Access先复习一下数据在这几级存储中的传输。作为数据transfer的基本单位，cache line的典型大小为8*8（8个变量，每个8bytes）=64bytes. 当一个cache想要load数据到寄存器时，检查cache中的line，如果hit了就get到数据

有代价的单源最短路径

问题：有代价的单源最短路径，并要求存储路径。（求最短的路径，并使代价最小）特点：* 存储路径：决定了难以用dijkstra，可以用flody，用path[i][j]表示 i 想走到 j 迈出的第一步。假设k是 i->j 的中间节点，更新时候用path[i][j] = path[i][k]，具体做法见link。但是flody比较耗时（O（N^3））* 有代价：如果想用flody的话，有要求代价最小，

CUDA系列学习（一）An Introduction to GPU and CUDA

本文从软硬件层面讲一下CUDA的结构，应用，逻辑和接口。分为以下章节：（一）、GPU与CPU（二）、CUDA硬件层面（三）、CUDA安装（四）、CUDA 结构与接口 4.1 Kernels 4.2 Thread，Block, Grid 4.3 Memory 4.4 Execution（五）、码HelloWorld——数组求和

Image classification with deep learning常用模型

本文中，我会根据下大家image classification常用的cnn模型，针对cifar10（for 物体识别），mnist（for 字符识别）& ImageNet（for 物体识别）做一个model 总结。本文不讲coding（coding请见Convolution Neural Network (CNN) 原理与实现篇）本文不涉及公司内部资料，纯公开资料汇总好，本文就从数据集说起，对数据集不熟悉的小伙伴请先去了解下这3个数据集，下面我们针对每个数据集画出其通用模型。

LR_Mnist.py

http://blog.csdn.net/abcjennifer/article/details/25912675 的辅助代码，利用stochastic gradient descent 进行logistic regression, 应用于mnist数据集

发布资源于 6 年前

kv文件读写 in Python & C++

文件格式均为kv对，即keylength, key, valuelen, value. 如何对其进行读写操作，本文列出demo code。感谢涛哥贡献部分代码，这里分享，方便大家使用。Python:def readimg(): fr = open('IMG_2963.JPG','r') keylen = struct.unpack('i',fr.read(4))[0] key = fr.re

Android 启动问题——黑屏死机解决方法

今天用了下Android Studio，出现了一些问题，现在将启动过程中遇到的问题和解决方案列出来，方便大家参考。安装过程不多说，网上一搜一大把。那直接说问题吧：1. 无法启动，报错：Failed to allocate memory: 8This application has requested the Runtime to terminate it in an unusual way.Ple

istream, outstream使用及常见错误

使用方法：使用filebuf打开文件，并拷贝给istream/ostream。如下面的例子中，实现读取并处理deseq文件夹下所有文件，输出到ostream fw.code:头文件：#include#include#include#include#include#include调用：void process(char* filename){ std::filebuf fbOut,

Distinct Subsequences 解题报告

题目：给两个字符串S和T，判断T在S中出现的次数。A subsequence of a string is a new string which is formed from the original string by deleting some (can be none) of the characters without disturbing the relative positions of the remaining characters. (ie, "ACE" is a subsequence

排列组合（permutation）系列解题报告

本文讲解4道关于permutation的题目。1. Permutation：输出permutation——基础递归 2. Permutation Sequence: 输出第k个permutation——推理3. Next Permutation：给定一个permutation中的序列，求字典序它的下一个permutation是什么——逻辑推理4. Permutation II：和第一题有细微的差别: 对于一个可能有重复元素的数组输出所有permutation——有条件dfs

Deep learning From Image to Sequence

本文笔记旨在概括地讲deep learning的经典应用。内容太大，分三块。1. 回顾 deep learning在图像上的经典应用 1.1 Autoencoder 1.2 MLP 1.3 CNN<详细的见上一篇CNN>2. deep learning处理语音等时序信号 2.1 对什么时序信号解决什么问题 2.2 准备知识 2.2.1 Hidden Markov Model(HMM) 2.2.2 GMM-HMM for Speec

RNN-RBM for music composition 网络架构及程序解读

RNN(recurrent neural network)是神经网络的一种，主要用于时序数据的分析，预测，分类等。RNN的general介绍请见下一篇文章《Deep learning From Image to Sequence》。本文针对对deep learning有一点基础（神经网络基本training原理，RBM结构及原理，简单时序模型）的小伙伴讲一下Bengio一个工作(RNNRBM)的原理和实现。本文重点内容：针对RNN（recurrent neural network）一个应用：musi

堆内存和栈内存详解

堆：顺序随意栈：先进后出堆和栈的区别一、预备知识—程序的内存分配一个由c/C++编译的程序占用的内存分为以下几个部分 1、栈区（stack）— 由编译器自动分配释放，存放函数的参数值，局部变量的值等。其操作方式类似于数据结构中的栈 2、堆区（heap） — 一般由程序员分配释放，若程序员不释放，程序结束时可能由OS回收。注意它与数据结构中的堆是两回事，分配方式倒是类似于链表，呵呵。

用XMLRPC开服务进行server/client通信

本文讲一下如何用python的xmlrpc开服务，进行server/client的通信。应用场景：1）需多client访问应用程序给予应答情况——网页服务； 2）数据极大，希望加载一次，后面只用方法调用解决方案：开两个服务，一个数据服务，一个网络服务；数据服务端加载数据，网络服务端调用数据，并将结果显示在网络服务中；外部调用网络服务返回结果；应用工具：xmlrpc，本文中以python 2.7.3的xmlrpclib为例，其他语言也有相应接口下面分别说明。

给定字典做分词

最近需要用到分词，无聊写个算法。。。算法：给定一个字典和一句话，做分词；Target：输入词典，输出所有可能的分词结果思路：dfs加速：首先判断是不是这句话里所有的词在字典中都有（validate）//// Wordsplit.cpp// // Target: Find all possible splitting of a sentence given a dictionary di

Matrix Factorization, Algorithms, Applications, and Avaliable packages

来源：http://www.cvchina.info/2011/09/05/matrix-factorization-jungle/美帝的有心人士收集了市面上的矩阵分解的几乎所有算法和应用，由于源地址在某神秘物质之外，特转载过来，源地址Matrix Decompositions has a long history and generally centers around a set of kno

deep learning 概览+时序模型

Content 1. 回顾 deep learning在图像上的经典应用 1.1 Autoencoder 1.2 MLP 1.3 CNN<详细的见上一篇CNN> 2. deep learning处理语音等时序信号 2.1 对什么时序信号解决什么问题 2.2 准备知识 2.2.1 Hidden Markov Model(HMM) 2.2.2 GMM-HMM for Speech Recognition 2.2.3 Restricted Boltzmann Machine（RBM） 3.

ppt

发布资源于 7 年前

GMM-HMM语音识别模型原理篇

本文简明讲述GMM-HMM在语音识别上的原理，建模和测试过程。这篇blog只回答三个问题：1. 什么是Hidden Markov Model？2. GMM是神马？怎样用GMM求某一音素（phoneme）的概率？3. 用GMM+HMM大法解决语音识别

Convolution Neural Network (CNN) 原理与实现

本文结合Deep learning的一个应用，Convolution Neural Network 进行一些基本应用，参考Lecun的Document 0.1进行部分拓展，与结果展示（in python）。分为以下几部分：1. Convolution（卷积）2. Pooling（降采样过程）3. CNN结构4. 跑实验下面分别介绍

Convolution Neural Network (CNN)

PS：本篇blog为ese机器学习短期班参考资料（20140516课程），本文只是简要讲最naive最simple的思想，重在实践部分，原理课上详述。

发布资源于 7 年前

MC, MCMC, Gibbs采样原理&实现（in R）

本文用讲一下指定分布的随机抽样方法：MC(Monte Carlo), MC(Markov Chain), MCMC(Markov Chain Monte Carlo)的基本原理，并用R语言实现了几个例子：1. Markov Chain （马尔科夫链）2. Random Walk（随机游走）3. MCMC具体方法： 3.1 M-H法 3.2 Gibbs采样 PS：本篇blog为ese机器学习短期班参考资料（20140516课程）。

python并行调参——scikit-learn grid_search

上篇应用scikit-learn做文本分类中以20newsgroups为例讲了如何用三种方法提取训练集=测试集的文本feature，但是vectorizer取多少个word呢？预处理时候要过滤掉tf>max_df的words，max_df设多少呢？tfidftransformer只用tf还是加idf呢？classifier分类时迭代几次？学习率怎么设？……“循环一个个试过来啊”……啊好吧，matlab里就是这么做的……好在scikit-learn中提供了pipeline(for estimat

应用scikit-learn做文本分类

文本挖掘的paper没找到统一的benchmark，只好自己跑程序，走过路过的前辈如果知道20newsgroups或者其它好用的公共数据集的分类（最好要所有类分类结果，全部或取部分特征无所谓）麻烦留言告知下现在的benchmark，万谢！嗯，说正文。20newsgroups官网上给出了3个数据集，这里我们用最原始的20news-19997.tar.gz。分为以下几个过程：1.加载数据集2.提feature3.分类{Naive Bayes,KNN,SVM}4.聚类说明： scipy官网上有参考

20newsgroup python分类聚类

http://blog.csdn.net/abcjennifer/article/details/23615947

发布资源于 7 年前

子文件夹引用numpy出错解决方案

Ubuntu12.04配置NVIDIA cuda5.5经验帖

之前配过一遍都忘光了，现在要重新配一遍真是好难过。。。特此记录参考网站以便查阅。=============环境：Ubuntu 12.04+Cuda5.51. 判断安装环境：The setup of CUDA development tools on a system running the appropriate version of Linux consists of a few simple

Hadoop 格式化namenode错误：FATAL namenode.NameNode: Exception innamenode join

ERROR namenode.NameNode: java.io.IOException: Cannot create directory /export/home/dfs/name/currentERROR namenode.NameNode: java.io.IOException: Cannot remove current directory: /usr/local/hadoop/hdfs

无法定位程序输入点_invalid_parameter_noinfo_noreturn于动态链接库 MSVCR100.dll上

1_NonReentrantPPLLockHolder@details@Concurrency@@QAE@XZ与动态链接库msvcr100.dll上- 试过重装MSVCR100.dll (无效而且由于版本不对引起了其他错误)，官方MSVCR win7，XP的dll下载地址：http://www.microsoft.com/zh-cn/download/details.aspx?id=5555最终成

Decision Tree 及实现

本文基于python逐步实现Decision Tree(决策树)，分为以下几个步骤：1.加载数据集2.熵的计算3.根据最佳分割feature进行数据分割4.根据最大信息增益选择最佳分割feature5.递归构建决策树6.样本分类将分别体现于代码。

人脸检测与识别

环境：opencv 2.4.6.0 特征：eigenface Input：一个人脸数据库，15个人，每人20个样本（左右）。 Output：人脸检测，并识别出每张检测到的人脸。

zip

发布资源于 7 年前

决策树python实现

基于python逐步实现Decision Tree(决策树)，分为以下几块：加载数据集熵的计算根据最佳分割feature进行数据分割根据最大信息增益选择最佳分割feature 递归构建决策树样本分类

发布资源于 7 年前

opencv 人脸识别（二）训练和识别

上一篇中我们对训练数据做了一些预处理，检测出人脸并保存在\pic\color\x文件夹下（x=1,2,3,...类别号），本文做训练和识别。为了识别，首先将人脸训练数据转为灰度、对齐、归一化，再放入分类器（EigenFaceRecognizer）,最后用训练出的model进行predict。-----------------------------------------环境：vs2010+op

opencv 人脸识别（一）训练样本的处理

本文实现基于eigenface的人脸检测与识别。给定一个图像数据库，进行以下步骤：进行人脸检测，将检测出的人脸存入数据库2对数据库2进行人脸建模在测试集上进行recognition本篇实现第一步：进行人脸检测，将检测出的人脸存入数据库2

K近邻分类算法实现 in Python

K近邻（KNN）：分类算法* Machine Learning的Python库很多，比如mlpy，这里实现只是为了掌握方法* MATLAB 中的调用，见《MATLAB分类器大全(svm,knn,随机森林等)》* 算法复杂度高（可用KD树优化，C中可以用libkdtree或者ANN）* k越小越容易过拟合，但是k很大会降分类精度（设想极限情况：k=1和k=N(样本数)）本文不

PAT 解题报告

PAT 1070Mooncake (25)时间限制100 ms内存限制32000 kB代码长度限制16000 B判题程序Standard作者CHEN, YueMooncake is a Chinese bakery product traditionally eaten during the Mid-Autumn Festival. Many types of fillings and crust

最短路径数 Dijkstra+dfs

寻找最短路径数标准dijkstra和spfa解法见《畅通工程续——Dijkstra模板》本篇多一项要求，求同样cost的最短路径数目。我们用dfs深搜，见代码注释。

Matlab并行编程<cellfun & arrayfun>

本篇blog针对两个函数cellfun和arrayfun对程序的加速写一些东西，方便大家调的一手好参数。之前的一篇blog《Matlab并行编程方法》在具体实现时可能有问题（下面会讲），而我查到的对Matlab并行的讲解资料也没有写明这个问题。。。所以这里提一下比较实用的matlab并行加速方法，本篇的出现感谢@王小川_Matlab的热心指点。

寻找前K大数

寻找前K大数，虽然这个问题已经被做烂了，但是无意中看到之前A题时候的一个代码，还是忍不住改了改想提高下效率，从O(NlogN)降到O（KlogN）。当时用的是很简单的冒泡和sort，恩，也就是对数组全部元素排序，复杂度O(NlogN), 但是当K很小时，比如题目中K<=10的情况无疑浪费了。因此用quicksort的思路，每次将数组partition成两部分，一边＜key，一边＞key。然后迭代地找前k大数。

R语言基本数据分析

本文基于R语言进行基本数据统计分析，包括基本作图，线性拟合，逻辑回归，bootstrap采样和Anova方差分析的实现。不多说，直接上代码，代码中有注释。1. 基本作图（盒图，qq图）#basic plotboxplot(x)qqplot(x,y)2. 线性拟合#linear regressionn = 10x1 = rnorm(n)#variable 1x2 = rnorm(n)#varia

2013年度总结

从2013的尾巴到2014的春节一直在忙着跑实验，就这样，我亲爱的2013已逝，让我措手不及。之所以说是我亲爱的2013，因为实在大爱这个数字。它的三个质因数：3，11和61中后两个数之和倒过来是27，我的幸运数字。这起源于幼儿园时的某天，傻缺的发现了27 = 3*3*3, 而2+7 = 3+3+3, 好开心啊！而当天老师发了我们每人一个水杯（记忆犹新是韩老师发的白色瓷杯），上面印着27号，同天，

opencv 金字塔图像分割

我所知的opencv中分割函数：watershed（只是看看效果，不能返回每类pixel类属），cvsegmentImage，cvPyrSegmentation（返回pixel类属）Segment函数：#include#include #include #include #include #include #include #include #include #include

Mat, IplImage, CvMat, Cvarr关系及元素获取

因为之前查资料关于opencv几种坑爹类型CvMat, Mat, IplImage, Cvarr的详细讲解很多，但详细到多通道元素获取和涉及到类型转换的文章极少，还有更坑爹的一些误导文章，所以本文很简要地讲一下怎样获取这几种类型的元素，及其类型转换。

c++ 遍历目录下文件

function：遍历目录下所有文件，返回文件总数，子文件夹总数（修改一下可以获得全部文件名等）。#include "stdlib.h"#include "direct.h"#include "string.h"#include "io.h"#include "stdio.h" #include "iostream"using namespace std;class CBrowse

Matlab并行编程方法

本文讲一下matlab中的并行方法与技巧。分为以下几个板块：1. 什么东西好并行？2. 怎么并行？3. parfor vs. SPMD4. 注意事项及经验总结

.NET + OpenCV & Python + OpenCV

最近需要做一个图像识别的GUI应用，权衡了Opencv+ 1）QT，2）Python GUI，3）.NET后选择了.NET。。。本文给出C#+Opencv和Python+Opencv的相应参考，节省大家时间。

Color Transfer between Images

本文实现了两幅图像的颜色转换（based on Opencv2.3.1 + vs )效果：代码：

C++ call matlab on <mac + xcode >

本文讲解如何在mac+xcode上用C/C++调用matlab，并给出一个极简单的应用，kmeans.env：matlab 2013+Xcode 4.6+Mac 10.8 （x86-64）1. 终端下跑matlab例程2. xcode下跑例程3. kmeans of matlab under C4. 利用XCode进行Exception精确定位

MatLab2012b/MatLab2013b 分类器大全(svm,knn,随机森林等)

train_data是训练特征数据, train_label是分类标签。Predict_label是预测的标签。MatLab训练数据, 得到语义标签向量 Scores(概率输出)。1.逻辑回归(多项式MultiNomial logistic Regression)Factor = mnrfit(train_data, train_label);Scores = mnrval(Factor, tes

Mac+MySQL+Xcode数据库配置

Mac下的数据库配置讲解很少，本文列出了我配置过程中的大多数可能错误和注意事项。--------------------------------------------------------一、 Mac上配置MySQL Connector/C++1. 打开mysql-5.6.14-osx10.7-x86_64.dmg(http://dev.mysql.com/downloads/mysql/)

Comprehensions on Group NMF

最近看了一下group sparsity和group structure方面的东西，本文主要针对了其中一种在NMF上的应用得到的group sparsity总结了一些东西。这篇理论上的文章没有被引用很多，但是其在EEG上用Group NMF做得一篇文章倒是有些影响力的。具体参考reference吧。总的来说，group sparsity或者单纯的sparsity对于一些有物理意义的东西比较好解释，

K-SVD简述——字典学习，稀疏编码

K-SVDRachel Zhang 1. k-SVD introduction1. K-SVD usage:Design/Learn a dictionary adaptively to betterfit the model and achieve sparse signal representations.2. Main Problem:Y = DXWhere Y∈R(n*N)

MOD 之"Hello World"

首先声明，MOD不是取模函数！MOD是字典学习和sparse coding的一种方法… 最近在看KSVD，其简化版就是MOD（method of directions）,这么说吧，KSVD和MOD的优化目标函数是相同的，MOD之所以可以称作KSVD的简化版是因为KSVD在MOD的基础上做了顺序更新列的优化。关于KSVD和MOD的理论知识请见下面我给出的一页note和referenc中的paper。

真实感球绘制

真实感球的绘制关键函数： glMaterialfv(GL_FRONT, GL_DIFFUSE, mat_shininess);//设置材料反射指数 glLightfv(GL_LIGHT0, GL_POSITION, light_position);//光源位置 glShadeModel ( GL_SMOOTH ); //设置阴影模型 glViewport (0, 0, (GLsizei) w,

OpenGL 基础图形绘制与投影变换

本文参考《Computer Graphics Using OpenGL》,第一个例子绘制了1. 参数定义的House2. a flurry of filled rectangles3. Sierpinski曲线含有鼠标和键盘响应函数onmouse和onkeyboard。/****************************************************************

Learning the parts of object by NMF

本文为Letters to nature上文章Learning the parts of objects by non-negativematrix factorization的读书笔记，针对如何基于NMF在神经网络中学习一个object的各层part做出理论上的分析，并在人脸part学习和text语义特征学习上做了相应实验。本文不含如何去解NMF，只给出非负约束下矩阵分解的结果。 Learnin

Robust PCA 学习笔记

很久没有写学习笔记了，年初先后忙考试，忙课程，改作业，回家刚安定下来，读了大神上学期给的paper，这几天折腾数学的感觉很好，就在这里和大家一起分享一下，希望能够有所收获。响应了Jeffrey的建议，强制自己把笔记做成英文的，可能给大家带来阅读上的不便，希望大家理解，多读英文的东西总没坏处的。这里感谢大神和我一起在本文手稿部分推了一些大牛的“ easily achieved”stuff... 本文

计算理论重点——Theory of Computation

一个学期的计算理论课程已经结束，给我的感觉吧，计算理论是一门计算机不得不学，学了短期又没用，但是可以培养一些逻辑思维的课程。其最关注的问题是什么是可计算性，什么问题可计算，问题之间的映射/归约，计算代价及难易。在分析问题和检验模型计算能力之前需要掌握的工具是形式语言、图灵机等。本文主要对计算理论中的重点进行了总结，总结了一些定理和理解上容易有障碍的知识点，但是里面还有一些点没有提到，比如NFA、D

2012年度总结

时光荏苒，2012已逝。之前一直没有发过总结，这么一来，又做了自己的一项开创性工作，哈哈！Research方面，今年没再做MVV系统了，放弃了原先搞绘制的想法，换到了cv，主要做还是大三下做起吧，cv水很深，一直觉得做不动，但其实是没有找到一个很好的切入点，这是为什么呢？因为看的东西也不够，于是暑假看了一些machine learning和cv。这学期应项目要求做neuron signal ana

The culture of Statistic Learning

在MIT 150周年庆的Brains, Minds, and Machines研讨会上， Prof. Noam Chomsky发表了一个观点，他的大概意思是有很多语言模型采用统计的方法建模，有些取得了成功，但他觉得大多数是失败的，他觉得应该更多重视简洁的，公式化的理论，而非这些统计上的结论，正如下文中他所言：Prof. Noam ChomskyIt's true there's been a lo

GMM的EM算法实现

在聚类算法K-Means, K-Medoids, GMM, Spectral clustering，Ncut一文中我们给出了GMM算法的基本模型与似然函数，在EM算法原理中对EM算法的实现与收敛性证明进行了详细说明。本文主要针对如何用EM算法在混合高斯模型下进行聚类进行代码上的分析说明。1. GMM模型：每个 GMM 由 K 个 Gaussian 分布组成，每个 Gaussian 称为一个“Co

KMeans和KMedoid 的Matlab实现

KMeans和KMedoid算法是聚类算法中比较普遍的方法，本文讲了其原理和matlab中实现的代码。1.目标：找出一个分割，使得距离平方和最小2.K-Means算法： 1. 将数据分为k个非空子集 2. 计算每个类中心点（k-means中用所有点的平均值，K-medoid用离该平均值最近的一个点）center 3. 将每个object聚类到最近的

KMeans和Kmedoid算法的matlab实现

本资源为KMeans和KMedoid算法的实现，算法讲解见http://blog.csdn.net/abcjennifer/article/details/8197072

zip

发布资源于 9 年前

The Most Important Algorithms (in CS and Math)

本文是Christoph Koutschan列出来的32类计算机与数学领域最为重要的算法（按字符顺序排列）。覆盖的面很广，评价很精准。链接中加入了自己总结过的文章（或者用到该算法的例子），后面有时间将根据重点算法继续补充。原文转载from：http://www.risc.jku.at/people/ckoutsch/stuff/e_algorithms.html1. A* search algor

Rachel Zhang的专栏

Dialog System 总结

12 papers to understand QA system with Deep Learning

_PyUnicodeUCS4_AsDefaultEncodedString

Residual Networks <2015 ICCV, ImageNet 图像分类Top1>

python多线程threading

C++调用python

python 调用 C++ code

valgrind 检查内存泄漏

python代码覆盖率工具——coverage

CUDA(六). 从并行排序方法理解并行化思维——冒泡、归并、双调排序的GPU实现

python实现并行爬虫

python实现并行爬虫

python实现网络图片爬虫

搭建Python HTTP服务

php实现Bloom Filter

php如何显示错误信息

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 0: ordinal not in range(128)

shell 例程 —— 解决redis读取稳定性

Linux下批量删除空文件

匹配不包含指定中文字符的行

利用正则表达式排除特定字符串

CUDA系列学习（五）GPU基础算法: Reduce, Scan, Histogram

Python数据可视化——散点图

解决 Mac OS SSH 登陆 Linux 出现中文乱码问题

Caffe —— Deep learning in Practice

word2vec——高效word特征求取

Makefile 速成

经典统计语言模型

双系统 linux开机加载windows硬盘

mac终端新建标签/窗口ssh重复输入密码问题

github不小心同步覆盖了本地文件

CUDA系列学习（四）Parallel Task类型 与 Memory Allocation

gputimer.h

matlab 扩大虚拟内存

CUDA系列学习（三）GPU设计与结构QA & coding练习

关于“博客之星”评选活动的意见

recompile with -fPIC /usr/local/lib/libboost_python.a: could not read symbols: Bad value

CUDA系列学习（二）CUDA memory & variables - different memory and variable types

有代价的单源最短路径

CUDA系列学习（一）An Introduction to GPU and CUDA

Image classification with deep learning常用模型

LR_Mnist.py

kv文件读写 in Python & C++

Android 启动问题——黑屏 死机 解决方法

istream, outstream使用及常见错误

Distinct Subsequences 解题报告

排列组合（permutation）系列解题报告

Deep learning From Image to Sequence

RNN-RBM for music composition 网络架构及程序解读

堆内存和栈内存详解

用XMLRPC开服务进行server/client通信

给定字典做分词

Matrix Factorization, Algorithms, Applications, and Avaliable packages

deep learning 概览+时序模型

GMM-HMM语音识别模型 原理篇

Convolution Neural Network (CNN) 原理与实现

Convolution Neural Network (CNN)

MC, MCMC, Gibbs采样 原理&实现（in R）

python并行调参——scikit-learn grid_search

应用scikit-learn做文本分类

20newsgroup python分类聚类

子文件夹引用numpy出错 解决方案

Ubuntu12.04配置NVIDIA cuda5.5经验帖

Hadoop 格式化namenode错误：FATAL namenode.NameNode: Exception innamenode join

无法定位程序输入点_invalid_parameter_noinfo_noreturn于动态链接库 MSVCR100.dll上

Decision Tree 及实现

人脸检测与识别

决策树python实现

opencv 人脸识别 （二）训练和识别

opencv 人脸识别 （一）训练样本的处理

K近邻分类算法实现 in Python

PAT 解题报告

最短路径数 Dijkstra+dfs

Matlab并行编程<cellfun & arrayfun>

寻找前K大数

R语言 基本数据分析

2013年度总结

opencv 金字塔图像分割

Mat, IplImage, CvMat, Cvarr关系及元素获取

CUDA系列学习（四）Parallel Task类型与 Memory Allocation

Android 启动问题——黑屏死机解决方法

GMM-HMM语音识别模型原理篇

MC, MCMC, Gibbs采样原理&实现（in R）

子文件夹引用numpy出错解决方案

opencv 人脸识别（二）训练和识别

opencv 人脸识别（一）训练样本的处理

R语言基本数据分析