- 博客(18)
- 收藏
- 关注
RSS订阅原创 caffe源码学习(3)--卷积层
以手写字符集mnist为例介绍caffe卷积层的实现方式。1.卷积层C1 源码在卷积层类ConvolutionLayer中，batch(训练 64*3*28*28,测试 100*3*28*28)中每个样本循环调用前向运算ConvolutionLayer::Forward_cpu（）函数计算featrue map。 函数源码如下：template <typename Dtype>void Co
2016-12-30 20:09:07
1086
1
原创 caffe源码学习（2）-softmax loss层
与softmax回归相关的caffe源码主要在如下两个文件中：softmax_loss_layer.cpp和softmax_layer.cpp。 softmax_loss_layer.cpp 前向计算后向计算：//softmax_loss_layer.cpp 前向计算后向计算template <typename Dtype>void SoftmaxWithLossLayer<Dtype>::
2016-12-29 10:56:32
2133
原创 softmax-练习（UFLDL）
UFLDL-softmax章节详细推导了算法原理。最终凝结为两个重要公式： 损失函数和参数梯度求导公式： 主要代码如下： softmaxExercise.mfunction [cost, grad] = softmaxCost(theta, numClasses, inputSize, lambda, data, labels)% numClasses - the number of cl
2016-12-28 15:34:42
750
原创 bsxfun函数-matlab
调用格式： c=bsxfun(fun,A,B)c=bsxfun(fun,A,B) matlab文档定义：实现阵列元素和元素之间func操作，一定情况下可以某维度实现自动展开。 @plus@plus @minus @times @rdivide @ldivide @power @max @min @rem @mod @atan2 @atan2d @hypot @eq
2016-12-28 11:33:01
453
转载 稀疏自编码
稀疏编码代价函数JJ，给定一个包含mm个样例的数据集，代价函数为： Jsparse(W,b)=[1m∑i=1m(12∥∥hW,b(x(i))−y(i)∥∥2)]+λ2∑l=1nl−1∑i=1sl∑j=1sl+1(Wlji)2+β∑j=1s2KL(ρ||ρ^) J_{sparse}(W,b)=[\frac{1}{m}\sum_{i=1}^{m}(\frac{1}{2}\left \| h_{W,b
2016-12-25 21:46:40
792
转载 sklearn单机特征工程
转自：http://www.cnblogs.com/jasonfreak/p/5448385.html 感谢作者分享。1 特征工程是什么 有这么一句话在业界广泛流传：数据和特征决定了机器学习的上线，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度的从原始数据集中提取特征以供算法和模型使用。通过总结和归纳，人们认为特征工程包括一下方面：
2016-12-23 22:59:37
761
转载 真正率-真负率
True Positive （真正, TP）被模型预测为正的正样本；True Negative（真负 , TN）被模型预测为负的负样本 ；False Positive （假正, FP）被模型预测为正的负样本；False Negative（假负 , FN）被模型预测为负的正样本；True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） TPR = TP /
2016-12-23 19:42:27
8514
原创 opencv中adaboost训练算法分析
0、概述 opencv集成了经典adaboost算法，并结合haar特征实现了人脸检测功能。算法原理可参考人脸检测大牛Paul Viola 的文章《Rapid Object Detection using a Boosted Cascade of Simple Feature》。由于该算法堪称经典，并可推广应用于其他相关检测识别领域（如车牌检测、车辆检测识别），因此有必要从源码上学习其实现过程。人
2016-12-20 22:13:34
2208
转载 指数族分布-广义线性模型--softmax关系
0 引言 由于要学习softmax回归，所以探究了一下softmax的推导过程。期间主要参考了一些博客和Andrew Ng 机器学习课程，在此一并感谢大家的无私与慷慨。要想明白softmax回归，需先搞清楚广义线性模型GLM，要想明白GLM又要先知道指数族分布，下面详细解释一下三者之间的关系。1 指数族分布（The exponential family） 指数族分布是指可以表示为指数形式的概率
2016-12-18 17:06:24
2630
原创 CSDN公式编辑
CSDN写博客，其中有好多公式编辑，直接从word复制粘贴会出现乱码，而通过图片粘贴有时候会非常麻烦。 本文利用LaTeX公式编辑器，方便公式输入。 1）LaTeX的数学公式有两种：行内公式和块级公式。 2）行内公式放在文中与其它文字混编，块级公式单独成行。 3）行内公式和块级公式都用美元符号（$）标示。 4 )行内公式标识方法：使用一个美元符号包围起来 $数学公式$ 这
2016-12-18 11:51:29
2025
原创 sklearn之样本生成（2）
上一篇《sklearn之样本生成（1）》主要讲make_blobs的使用方法。本文重点讲make_classification，make_gaussian_quantiles和make_hastie_10_2
2016-12-14 23:31:41
21612
原创 sklearn之样本生成（1）
机器学习、模式识别的目的就是从样本数据上自动建立数学模型，将模型用于新的数据以自动解决实际问题。因此，这里有两个东西是我们比较关心的，一个是模型，另外一个样本数据。现在很多文章都在讨论各种算法，大都可以归为模型的建立过程，今天，本博文讲另外一个重要组成部分，样本数据获取方法（以sklearn为工具）。通过Sklearn获取的样本数据格式有三种形式：1）图像样本格式2）样本数据自主生成格
2016-12-14 17:47:28
3841
原创 画图工具matplotlib简单实用--绘制散点图
python 中常用画图工具matplotlib.pyplot工具使用实验。代码：from sklearn.datasets.samples_generator import make_blobsimport matplotlib.pyplot as pltX, y = make_blobs(n_samples=100, centers=3, n_features=2,random_
2016-12-14 00:15:11
5602
转载 模型评估-偏差bias和方差variance
1、 定义： 因变量（预测值）：X自变量（特征值）：Y且，假设，其中误差服从均值为0的正态分布，我们用线性回归或者其他模型来估计为，则对于x来说，其误差为： （公式1） 用偏差和方差来表述：（公式2） 最后一项为噪声，是无法通过模型降低的。1.1 偏差Bias与方差Varianc
2016-12-12 10:53:05
9352
原创 hadoop与spark学习记录（一）
大数据初学者，在网上小象学院查看了一个有关《大数据hadoop与spark学习经验》的视频，以下为其中的学习笔记。 大数据技术框架：
2016-12-11 21:02:13
827
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