- 博客(7)
- 资源 (1)
- 收藏
- 关注
原创 YOLO安装与配置
This post will guide you through detecting objects with the YOLO system using a pre-trained model. If you don't already have Darknet installed, you should do that first. Or instead of reading all th
2017-07-12 17:03:59 3123
转载 YOLO——基于回归的目标检测算法
YOLO: You Only Look Once:Unified, Real-Time Object Detection 这篇论文的内容并不多,核心思想也比较简单,下面相当于是对论文的翻译! YOLO是一个可以一次性预测多个Box位置和类别的卷积神经网络,能够实现端到端的目标检测和识别,其最大的优势就是速度快。事实上,目标检测的本质就是回归,因此一个实现回归功能的CNN
2017-07-12 15:39:49 22329 1
转载 Tensorflow学习之旅(十一)——VGG网络与实践评测
1.VGGNet简介 VGGNet这个名字是怎么来的?是牛津大学计算机视觉组(Visual Geometry Group)和Google DeepMind公司研究员一起研发是深度卷积网络。上图显示的是VGGNet各级别的网络结构图,还有每个级别的参数量,从11层网络一直到19层的网络都有详尽的性能测试。虽然从A到E每一级网络逐渐变深,但是网络的参数量增加的并没有很多,那
2017-07-07 15:07:16 640
原创 Tensorflow学习之旅(十)——降噪自编码
为什么叫去噪呢,是因为我们在之前输入的数据是加了高斯噪声的,但是我们在学习特征时是不能把噪声也学进去的,所以这里还实现了隐层上用tf.nn.softplus()激活函数?不知道理解是否正确!看代码吧!就是一个三层的自编码器,只不过在输入加上了噪声。# -*- coding: utf-8 -*-"""Created on Tue Jun 20 12:59:16 2017@au
2017-07-07 09:45:34 2350
原创 Tensorflow学习之旅(九)——自编码AutoEncoder
一、概述AutoEncoder大致是一个将数据的高维特征进行压缩降维编码,再经过相反的解码过程的一种学习方法。学习过程中通过解码得到的最终结果与原数据进行比较,通过修正权重偏置参数降低损失函数,不断提高对原数据的复原能力。学习完成后,前半段的编码过程得到结果即可代表原数据的低维“特征值”。通过学习得到的自编码器模型可以实现将高维数据压缩至所期望的维度,原理与PCA相似。
2017-07-04 17:14:31 932
原创 机器学习(5)——回归
这里的回归不是logistic回归,logitistic回归实际上是一个分类器!一、线性回归(最小二乘) 通过最小化平方误差,求解回归系数w。即平方误差对w求导=0,解w。w=(X.T * X).I * X.T *Y eg:最佳你和曲线二、局部加权线性回归LWLR 局部加权回归其实只是相当于对不同样本之间的关系给出了一个权重,所以叫
2017-07-03 16:50:31 583
原创 机器学习(4)—— Adaboost学习
《机器学习实战》第七章 总结:Adaboost是一个2分类器Adaboost其中的弱分类器可以是任意一种分类器,但是常用的是单层决策树每一层弱分类器包括:特征维度Index; 阈值(在这一特征维度上的); 哪边是正lt or gt; 弱分类器的权重αi每一层弱分类器的确定包含三个循环:特
2017-07-03 11:04:07 257
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