- 博客(6)
- 收藏
- 关注
RSS订阅原创 WCT2代码阅读笔记
parser.add_argumentargparse 是 Python 内置的一个用于命令项选项与参数解析的模块我们先来看一个简单示例。主要有三个步骤：创建 ArgumentParser() 对象调用 add_argument() 方法添加参数使用 parse_args()解析添加的参数numpy.ones（）**np.ones((1, 2))**代表一行两列...
2020-10-07 12:02:25
591
原创 WCT2：小波变换风格迁移
WCT: Whiten- Color Transform前言假设X是一个均值为0的向量，那么我们可以得到其协方差矩阵：Σ=E(XXT)一旦 X中的向量相互都不关联，其协方差矩阵就是一个对角矩阵。白化变换（Whitening Transformations)图像白化（whitening）可用于对过度曝光或低曝光的图片进行处理，白化的目的就是去除原始向量中各维度的相关性，且每个维度的方差为1。去除向量X中各维度之间的相关性Y=ΦTX使得向量X中每个维度的方差为1，即使得协方差矩阵的对
2020-10-04 22:31:13
2269
原创 CS231n：最优化笔记
最优化Optimization最优化是寻找能使得损失函数值最小化的参数W的过程。策略#1：一个差劲的初始方案：随机搜索策略#2：随机本地搜索策略#3：跟随梯度（比较简单不再赘述）梯度计算梯度公式：1. 数值梯度法（慢and简单，不适合大规模数据）根据上面的公式计算梯度。举个例子实际应用，例如计算权重空间某些随机点上CIFAR-10的损失函数的梯度。先计算一个随机权重向量的梯度，梯度告诉了我们损失函数在每个维度上的斜率，于是规定不同步长后，更新权重向量的位置，重新计算损失函数。 #
2020-08-01 11:21:44
196
原创 CS231n：线性分类
1. 线性分类K-NN分类器的缺点：分类器必须记住所有训练数据并将其存储起来，以便于未来测试数据用于比较。这在存储空间上是低效的，数据集的大小很容易就以GB计。对一个测试图像进行分类需要和所有训练图像作比较，算法计算资源耗费高。概述：这种方法主要有两部分组成：一个是评分函数（score function），它是原始图像数据到类别分值的映射。另一个是损失函数（loss function），它是用来量化预测分类标签的得分与真实标签之间一致性的。该方法可转化为一个最优化问题，在最优化过程中，将通过更
2020-07-30 18:02:16
285
原创 CS231n: KNN
最近邻算法import numpy as npclass NearestNeighbor(object): def __init__(self): pass def train(self, X, y): """ X is N x D where each row is an example. Y is 1-dimension of size N """ # the nearest neighbor classifier simply remembers all the.
2020-07-30 10:30:12
151
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