机器学习
Chris_zhangrx
读书郎
展开
-
Machine learning for OpenCV 学习笔记 day4
ICA,opencv原创 2017-07-29 14:22:05 · 678 阅读 · 0 评论 -
机器学习: 决策数与随机森林
文章目录数学基础概率公式先验概率与后验概率信息熵互信息条件熵决策树信息增益信息增益率基尼系数决策树生成决策树剪枝Bagging 与 随机森林Bagging随机森林数学基础概率公式这里用 Venn 图来表示事件A 与事件 B 的关系,P(A)P(A)P(A) 与 P(B)P(B)P(B) 分别表示它们各自发生的概率,其中它们的交叠区域用 P(A,B)P(A,B)P(A,B) 表示 A 和 B...原创 2019-06-02 18:23:49 · 999 阅读 · 0 评论 -
机器学习: 提升
文章目录提升的概念理解与随机森林的比较提升算法GBDT参数设置和正则化XGBoostAdaboost算法总结提升的概念理解这部分是紧紧衔接《机器学习: 决策树与随机森林》 部分内容的。首先说明一个它们与随机森林方法的区别与随机森林的比较随机森林是随机选择 k 个特征去构建 CART 树,重复 m 次,得到的 m 个决策树的最终结果求平均得到最后的结果。这些模型之间相互是独立产生的,只是最...原创 2019-06-07 20:54:12 · 543 阅读 · 0 评论 -
机器学习: 回归
回归在聊回归之前先了解一下基础的数学概念。概率和似然这两个概念都是指可能性概率:给定某一参数值,求某一结果的可能性的函数似然:给定某一结果,求某一参数值的可能性的函数查阅资料的过程,最经典的就是抛硬币的例子,概率问题里,就是已知硬币正反面出现的概率各为 0.5,抛 10 次,6次正面向上的可能性是多少?而似然问题则是,抛 10 次硬币,有 6 次正面向上,求硬币正反面出现概率各为多...原创 2019-05-28 21:33:07 · 473 阅读 · 0 评论 -
ShuffleNet V2 论文阅读笔记
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design 阅读笔记论文链接:https://arxiv.org/abs/1807.11164我自己基于 caffe 框架的复现:https://github.com/anlongstory/ShuffleNet_V2-caffe本文主要是对目前一些...原创 2018-08-01 21:33:58 · 7209 阅读 · 9 评论 -
Python3 转换 cifar100 数据集
Cifar官网给出的python接口的文件都是用python cPickle工具”pickled”的,可以看见 cifar 官网给出的例程是:python 2def unpickle(file): import cPickle with open(file, 'rb') as fo: dict = cPickle.load(fo) return dictpyt原创 2018-02-05 12:34:27 · 1158 阅读 · 0 评论 -
《Deep Learning》你需要知道的答案
《Deep Learning》你需要知道的答案本文来自微信公众号: AI研习社 的一篇文章——“深度学习面试你必须知道这些答案”,我也打印了这本书的英文原版,正好可以带着这些问题去学习,每个题目下原文已经给出了具体问题答案的页码范围。然后我也会不定期的根据书中内容以及自己的理解,详细的更新下面问题的答案。若读者发现我的回答有翻译不对或者理解不正确的地方,也欢迎留言指正,相互讨论学习!1.列举常见的原创 2017-11-16 22:26:51 · 6750 阅读 · 0 评论 -
Understanding Machine Learning —— pdf下载
参考博客:http://blog.csdn.net/uniview001/article/details/48435091高清pdf下载:http://pan.baidu.com/s/1mizfCVm 密码:x0i1原创 2017-11-16 13:25:06 · 2501 阅读 · 1 评论 -
Machine learning for OpenCV 学习笔记 day6
SVM+HOG检测行人原创 2017-10-03 21:33:13 · 1247 阅读 · 0 评论 -
Machine learning for OpenCV 学习笔记 day5
支持向量机(SVM)原创 2017-10-03 21:00:27 · 1499 阅读 · 1 评论 -
Check failed: top_shape[j] == bottom[i]->shape(j) (1 vs. 2) All inputs must have the same shape, exc
在运行ShuffleNet的过程中碰到了如下报错 :I1018 19:26:19.104892 3548 net.cpp:84] Creating Layer resx13_concatI1018 19:26:19.104895 3548 net.cpp:406] resx13_concat <- resx13_match_convI1018 19:26:19.104898 3548 ne原创 2017-10-18 21:58:53 · 6416 阅读 · 3 评论 -
ShuffleNet在Caffe框架下的实现
本文是在实现Github上用户farmingyard贴出的加速版ShuffleNet。下面是所包含的文件:作为一个深度学习方面的小白,刚开始真的是一头雾水,在之前的Caffe框架使用中,只是单纯的会把别人的deploy.prototxt,train.prototxt,solver.prototxt拿来用,制作数据集跑一跑,稍微有一点变化,例如有的网络github上只给一个deploy.prototx原创 2017-10-18 21:15:36 · 7000 阅读 · 36 评论 -
Check failed: registry.count(type) == 1 (0 vs. 1) Unknown layer type: ConvolutionDepthwise
在部分Caffe版本的MobileNet 和 ShuufleNet的deploy.prototxt文件中我们可能会用到type为ConvolutionDepthwise 的层。发生以上错误就是因为,Caffe框架中没有相关的 ConvolutionDepthwise 层的定义。我们若想使用需要自己添加进Caffe。1.添加ConvolutionDepthwise层我们可以在MobileNet或者是C原创 2017-10-18 21:28:12 · 4424 阅读 · 2 评论 -
Mechine learning for OpenCV 学习笔记 day3
用逻辑斯特回归(Logistic Regression)分类主要内容有:用逻辑斯特回归Logistic Regression分类Logisitic Regression in OpenCV第四部分数据表示和特征工程特征工程Feature engineering预处理数据转换数据预处理数据1特征标准化2特征正规化3将特征数据缩放到一个范围4二值化特征5解决数据丢失问题数据降维原创 2017-07-28 18:01:20 · 805 阅读 · 0 评论 -
Machine learning for OpenCV 学习笔记 day2
第三部分:算法实现1.K近邻法(K-NN)我们使用OpenCV中的 cv2.ml.KNearest_create函数就可以实现这个算法,实现该算法一般遵循以下步骤:生成训练数据——>选取K个目标点——>分别找到离这K个目标点最近的近邻点——>将这些近邻点注上标签——>输出结果原创 2017-07-26 22:30:48 · 923 阅读 · 0 评论 -
《Machine learning for OpenCV》 Windows下的Anaconda+OpenCV的环境配置
Machine learning for OpenCVAnaconda环境下配置OpenCV原创 2017-07-31 11:56:33 · 3355 阅读 · 0 评论 -
Machine learning for openCV 学习笔记 day1
2017.7.26第一部分:基础内容介绍在OpenCV中,图片的输入是32-bit的浮点型数值(0-1之间),或者是8-bit的整型数值(0-255之间)。1.Numpy我们使用功能强大的Numpy工具包去进行矩阵的相关操作import numpy as np2. scikit-learnPython中我们使用scikit-learn来下载一些外网的数据库。我们也可以直原创 2017-07-26 09:20:05 · 592 阅读 · 0 评论 -
机器学习: 贝叶斯分类器、聚类与降维
文章目录聚类性能度量距离计算原形聚类K-means 聚类高斯混合聚类密度聚类层次聚类降维贝叶斯分类器本篇文章主要是参考周志华老师的《机器学习》(西瓜书)其中的部分章节,做一个知识的快速整理和简单理解,因为本篇博客时间有限,所以只是记录一下对相关方法的大概知识点,所以这几部分内容就综合在一起进行一个记录,主要是做了解用。聚类聚类属于 无监督学习方法 ,其是想要寻求数据内在的分布结构,也可以用作...原创 2019-08-13 23:54:08 · 1870 阅读 · 0 评论