- 博客(10)
- 资源 (3)
- 收藏
- 关注
RSS订阅转载 caffe 中的一些参数介绍
solver.prototxtnet: "models/bvlc_alexnet/train_val.prototxt" test_iter: 1000 # test_interval: 1000 # base_lr: 0.01 # 开始的学习率lr_policy: "step" # 学习率的drop是以gamma在每一次迭代中gamma: 0
2017-11-29 19:38:13
231
转载 Caffe各版本与源码全透析
一 Caffe版本 由于各个版本的不同，可能源码稍微有些不同，常用的版本有以下几个： 1.最原始的最开始版本：伯克利BVLC版https://github.com/BVLC/caffe2.贾扬清自己的版本：https://github.com/Yangqing/caffe3.caffe-for-windows基本版：https://github.com/ni
2017-11-29 17:56:24
355
转载 深度学习入门必须理解这25个概念
神经网络基础1）神经元（Neuron）——就像形成我们大脑基本元素的神经元一样，神经元形成神经网络的基本结构。想象一下，当我们得到新信息时我们该怎么做。当我们获取信息时，我们一般会处理它，然后生成一个输出。类似地，在神经网络的情况下，神经元接收输入，处理它并产生输出，而这个输出被发送到其他神经元用于进一步处理，或者作为最终输出进行输出。 2）权重（Weights）——当输入进入
2017-11-29 16:50:11
302
原创 kaldi使用tri4b进行测试时的调参
测试完tri1的模型后，一定很想试试tri2或3.但当你操作时，会遇到如下的问题：ERROR (online-wav-gmm-decode-faster:LogLikelihoods():diag-gmm.cc:533) DiagGmm::ComponentLogLikelihood, dimension mismatch 39vs. 40怎么解决？ 答案：1、
2017-11-27 14:27:41
2776
7
原创 SVM分类器解读
支持向量机的核心知识是点到直线距离计算、拉格朗日乘子法、求偏导和数值计算法。思路：第一：计算点到直线的距离；第二：确定影响距离的关键系数w；第三：对第二步骤确定的关键系数构建拉格朗日乘子方程L；第三：对L进行求偏导，得出两个系数w和b的表示形式，得到1式和2式；第四：将1式和2式代入L得到对偶问题方程式L'；第五：L‘和2式组成不等式方程组，利用数值计算法/线性规划法进
2017-11-21 09:44:04
521
转载 opencv分类器训练
做项目一直在使用深度学习中的神经网络进行目标检测和识别，还真没有直接使用过opencv中的分类器，最近尝试着学习一下：进行目标跟踪，首先得把目标识别出来，我选用的是基于haar特征的模式识别，要进行模式识别，首先得训练分类器，好在opencv自带了训练分类器的软件，可以在opencv安装目录中找到，如：F:\opencv\build\x86\vc12\bin\opencv_ha
2017-11-15 11:31:41
664
原创 贝叶斯分类器解读
贝叶斯分类器主要是根据全概率公式、条件概率公式和统计信息而得出。第一：统计信息得到结果概率；第二：统计信息计算得到条件概率；第三：根据统计信息、概率和条件概率计算判别概率。在计算概率的过程中，可能会用到极大似然估计。朴素贝叶斯是在属性独立条件下进行计算的。后续....参考：连接
2017-11-14 17:39:42
941
原创 shell脚本循环建立文件夹的bug
#!/bin/bashnames="001 002 003 bg"for((i=0;i问题：假如在代码中使用bg文件夹，则报找不到的错误。原因：bg文件夹的全名是bg^w。解决办法：多建一个文件夹，绕过该问题。使用ll可检测文件夹信息。
2017-11-09 18:31:27
1168
2
转载 kaldi中改写sre10/v1用timit dataset做说话人识别总结
首先非常感谢david-ryan-snyder 提供的帮助，非常耐心的给出问题的解答。 经过一个周的调试修改，终于在timit数据集上跑通了sre10中的v1 demo, 特来总结一下，重新理顺一下思路，把其中的各个步骤的算法大体的捋一遍。 最重要的还是数据准备阶段，由于没有原始的数据，整个过程进行的比较困难，花了差不多一个周的时间来各种改，之前第一次跑wsj那个demo的时候才花了不到一
2017-11-06 17:48:07
2432
2
转载 机器学习自学指南
事实上有许多的途径可以了解机器学习，也有许多的资源例如书籍、公开课等可为所用，一些相关的比赛和工具也是你了解这个领域的好帮手。本文我将围绕这个话题，给出一些总结性的认识，并为你由程序员到机器学习高手的蜕变旅程中提供一些学习指引。机器学习的四个层次根据能力可以将学习过程分成四个阶段。这也是一个有助于我们将所有学习资源进行分类的好方法。初学阶段新手阶段中级阶段高级阶段我
2017-11-06 15:17:02
321
Area Location Code
2015-03-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人