机器学习
文章平均质量分 76
MTmantou
这个作者很懒,什么都没留下…
展开
-
神经网络基础知识
本周具体工作学习《神经网络与深度学习》这本书 人工神经元( Artificial Neuron )模型人工神经元是神经网络的基本元素 图中x1~xn是从其他神经元传来的输入信号,wij表示表示从神经元j到神经元i的连接权值,θ表示一个阈值( threshold ),或称为偏置( bias )。则神经元i的输出与输入的关系表示为: 图中 yi表示神经元i的输出,原创 2017-10-08 10:14:31 · 695 阅读 · 0 评论 -
一个 11 行 Python 代码实现的神经网络
概要:直接上代码是最有效的学习方式。这篇教程通过由一段简短的 python 代码实现的非常简单的实例来讲解 BP 反向传播算法。代码如下:Python1234567891011X = np.array([ [0,0,1],[0,1,1],[1,0,1],[1,1,1] ])y = np.转载 2017-11-14 10:29:54 · 472 阅读 · 0 评论 -
ecognition 分类轻松上手
1.1操作前准备1.1.1待分类影像切割eCognition不支持超过500万个对象的文件分割,因此需要在eCognition分割前要先将遥感影像切割成200M左右的小文件。为保证切割后影像分类后结果的无缝镶嵌,在Arcmap中制作切割用的矢量边界,然后转至ERDAS中制作所需要的aoi。1.1.2辅助图层准备用与上步相同的aoi 文件对相应的dem、坡度、坡向图等转载 2017-12-11 16:52:26 · 14233 阅读 · 1 评论 -
CNN-目标检测、定位、分割
1. 基本概念 1)CNN:Convolutional Neural Networks 2)FC:Fully Connected 3)IoU:Intersection over Union (IoU的值定义:Region Proposal与Ground Truth的窗口的交集比并集的比值,如果IoU低于0.5,那么相当于目标还是没有检测到)原创 2017-12-11 22:46:08 · 3345 阅读 · 0 评论 -
深度学习入门---神经网络1
常规套路手机数据并给定标签训练一个分类器测试,评估 K-近邻算法 对于不同参数的选择,会对结果产生不同的影响。 如何计算: k-近邻选取超参数的正确方法是:将原始训练集分为训练集和验证集,我们在验证集上尝试不同的超参数,最后保留表现最好的那个。如果训练数据集不够,使用交叉验证方法,它能帮助我们在选取最优超参数的时候减少噪音一旦找到最优的超参数,就让算法以该参数在测试集跑且只跑一次,原创 2017-12-17 14:05:52 · 367 阅读 · 1 评论