机器学习/深度学习
文章平均质量分 79
denghe1122
不知道你身边有没有这样一种人,明明已经百里挑一,还觉得基数太小;明明已经出类拔萃,还觉得炮灰太少。每天像缺钱一样勤奋,像欠债一样努力。每每遇到这样的人,我都会问一句:为什么?
展开
-
起标题真烦人
完整安装过程 一、检查自己的电脑环境是否具备安装CUDA的条件 1.验证自己的电脑是否有一个可以支持CUDA的GPU 2.验证自己的Linux版本是否支持 CUDA(Ubuntu 16.04没问题) 3.验证系统是否安装了gcc 4.验证系统是否安装了kernel header和 package development 4.1查看正在运行的系统内核版本: 二、NVidia驱动 0、一些认...转载 2021-07-13 19:10:42 · 1523 阅读 · 0 评论 -
SSD 源码分析
1、将随机数字去重+排序程序如下: bool comp(const int &s1, const int &s2) { return s1 < s2; }int main(){ int num_total,num; int a[1000] = {0}; // 注意:此时的下标索引不再仅仅是0~9的数字了,而是一个数,可能很大 cin >> num_total;原创 2017-08-22 08:40:26 · 2045 阅读 · 3 评论 -
KCF目标跟踪代码及注释
代码链接在这tracker.h:定义Tracker类[cpp] view plain copy #pragma once #include #include class Tracker { public: Tracker() {} virtual ~Tracker() { } virtua原创 2017-09-20 09:43:33 · 16546 阅读 · 11 评论 -
基于RNN的在线多目标跟踪——OnLine Multi-Target Tracking Using Recurrent Neural Networks
论文链接:https://arxiv.org/pdf/1604.03635.pdf由于在 CSDN 上编辑公式太麻烦,所以,我把翻译内容整理到文档上,然后发截图1、背景简介 无限制环境下的多目标跟踪仍然是一个具有挑战性的任务。即使经过几十年的研究,但跟踪的准确性远远达不到人类的标准。随着近些年来,深度学习的兴起,与多目标跟踪的有关的工作依然很少。这篇文章,我们在实际场景中对多翻译 2017-09-18 15:56:58 · 8198 阅读 · 2 评论 -
TensorFlow安装(安装bazel,配置TensorFlow编译环境,利用源码安装TensorFlow)
1、https://docs.bazel.build/versions/master/install.htmlgg2、配置TensorFlow编译环境先通过命令下载TensorFlow最新源码:git clone http://github.com/tensorflow/tensorflow先 cd tebsorflowdh@dh:~/tensorflow$ ./c原创 2017-10-10 17:59:23 · 21039 阅读 · 0 评论 -
CVPR 2017论文集锦(论文分类)—— 附录部分翻译
作为计算机视觉领域的三大顶级会议之一,CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网:http://www.cvpapers.com/cvpr2017.html Machine Learning 1 (机器学习)Spotlight 1-1A (关注的焦点 1-1 A)Exclusivity-Consistency Regular原创 2017-08-23 09:51:09 · 28696 阅读 · 0 评论 -
深度学习之目标检测——基于R-CNN的物体检测
基于R-CNN的物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187029作者:hjimce一、相关理论 本篇博文主要讲解2014年CVPR上的经典paper:《Rich feature hierarchies for Accurate Object Detection and Segmentation》,这转载 2017-08-15 11:02:04 · 2157 阅读 · 0 评论 -
SSD: Single Shot MultiBoxDetector 论文翻译
原文地址:http://lib.csdn.net/article/deeplearning/53059SSD: Single Shot MultiBoxDetector Wei Liu1 , Dragomir Anguelov2 ,Dumitru Erhan3 , Christian Szegedy3,Scott Reed4 , Cheng-Yang Fu1翻译 2017-08-20 16:24:48 · 16558 阅读 · 8 评论 -
深度学习在目标跟踪中的应用
原文地址:深度学习在目标跟踪中的应用。作者为中科院一学生,总结的特别特别好。 开始本文之前,我们首先看下方给出的3张图片,它们分别是同一个视频的第1,40,80帧。在第1帧给出一个跑步者的边框(bounding-box)之后,后续的第40帧,80帧,bounding-box依然准确圈出了同一个跑步者。以上展示的其实就是目标跟踪(visual object tracking)的过程。目标跟踪(转载 2017-08-24 10:28:56 · 6911 阅读 · 0 评论 -
python 机器学习实战:信用卡欺诈异常值检测
今晚又实战了一个小案例,把它总结出来:有些人利用信用卡进行诈骗等活动,如何根据用户的行为,来判断该用户的信用卡账单涉嫌欺诈呢?数据集见及链接: 在这个数据集中,由于原始数据有一定的隐私,因此,每一列(即特征)的名称并没有给出。 一开始,还是导入库:import numpy as npimport pandas as pdimport matplotlib.pyplot as p原创 2018-01-16 22:46:22 · 13452 阅读 · 13 评论 -
机器学习超级无敌小抄表——pyhton 库函数集锦
此文全部图片来源于:www.DateCamp.com1、Jupyter Notebook2、Importing Data3、NumPy Basics4、Pandas Basics5、Pandas6、Matplotlib7、Python Basics8、转载 2018-01-29 11:28:50 · 1860 阅读 · 0 评论 -
迁移学习
Domain Adaptive(特征层面)继Jason Yosinski在2014年的NIPS上的《How transferable are features in deep neural networks?》探讨了深度神经网络的可迁移性以后,有一大批工作就开始实际地进行深度迁移学习。简要回顾一下Jason工作的重要结论:对于一个深度网络,随着网络层数的加深,网络越来越依赖于特定任务;而浅层相对...转载 2019-01-18 10:21:57 · 2458 阅读 · 0 评论 -
聚类算法(四)、基于高斯混合分布 GMM 的聚类方法(补充阅读)
基于高斯混合分布的聚类,我看了很多资料,,写的千篇一律,一律到让人看不明白。直到认真看了几遍周志华写的,每看一遍,都对 GMM 聚类有一个进一步的认识。所以,如果你想了解这一块,别看乱七八糟的博客了,直接去看周志华的《机器学习》 P206页。下面是我额外看的几篇论文,还不错,我大致总结了一下,作为笔记。拓展阅读:1、基于高斯混合模型的层次聚类算法 瞿俊(厦门大学,2006)...原创 2018-09-26 22:03:21 · 7370 阅读 · 1 评论 -
聚类算法(三)——基于密度的聚类算法(以 DBSCAN 为例)
上一篇博客提到 K-kmeans 算法存在好几个缺陷,其中之一就是该算法无法聚类哪些非凸的数据集,也就是说,K-means 聚类的形状一般只能是球状的,不能推广到任意的形状。本文介绍一种基于密度的聚类方法,可以聚类任意的形状。 基于密度的聚类是根据样本的密度分布来进行聚类。通常情况下,密度聚类从样本密度的角度出来,来考查样本之间的可连接性,并基于可连接样本不断扩展聚类簇,...原创 2018-09-20 22:16:26 · 44630 阅读 · 6 评论 -
聚类算法(二)、聚类算法的系统性比较
聚类是试图将数据集中的样本划分为若干个不相交的子集。每个子集称为一个“簇”(cluster)。聚类既能作为一个单独的过程,也可以作为分类等其他学习任务的前驱任务、例如,在一些商业应用中,需要对新用户的类型进行判别,但是定义“用户l类型”对商家来说可不容易,此时,往往先对用户数据进行聚类,根据聚类结果将每个簇定义为一个类,然后再基于这些类训练分类模型,用于判别新用户的类型。 ...原创 2018-09-19 11:20:02 · 5012 阅读 · 0 评论 -
聚类算法(一)—— k-means算法以及其改进算法
聚类算法是一种无监督学习,它把数据分成若干类,同一类中的数据的相似性应尽可能地大,不同类中的数据的差异性应尽可能地大。聚类算法可分为“软聚类”和“硬聚类”,对于“硬聚类”,样本中的每一个点都是 100%确定分到某一个类别;而“软聚类”是指样本点以一定的概率被分配到一个类别中。提到聚类算法,很容易想到 K-means 算法,即 K-均值。这种方法很好理解,也很好实现。本文以 k-mean...原创 2018-09-17 20:43:54 · 10058 阅读 · 1 评论 -
推荐一个学习深度学习的好网站
给大家推荐一个学习深度学习的好网站:http://www.leadai.org/个人感觉里面的东西很受用,值得一看。还有一个算法学习笔记:http://www.cnblogs.com/Anker/category/436374.html...原创 2018-03-24 22:08:41 · 9030 阅读 · 0 评论 -
理解 dropout
原文转载于:https://blog.csdn.net/stdcoutzyx/article/details/49022443理解dropout注意:图片都在github上放着,如果刷不开的话,可以考虑翻墙。转载请注明:http://blog.csdn.net/stdcoutzyx/article/details/49022443开篇明义,dropout是指在深度学习网络的训练过程中,对于神经...转载 2018-03-24 21:34:29 · 415 阅读 · 0 评论 -
Caffe 学习——训练和测试自己的图片
原文地址:http://www.cnblogs.com/denny402/p/5083300.html 学习caffe的目的,不是简单的做几个练习,最终还是要用到自己的实际项目或科研中。因此,本文介绍一下,从自己的原始图片到lmdb数据,再到训练和测试模型的整个流程。一、准备数据 有条件的同学,可以去imagenet的官网http://www.image-net.org转载 2017-08-30 11:22:36 · 1154 阅读 · 2 评论 -
深度学习中关于特征
原地址:http://blog.csdn.NET/zouxy09/article/details/8775488 因为我们要学习的是特征的表达,那么关于特征,或者说关于这个层级特征,我们需要了解地更深入点。所以在说Deep Learning之前,我们有必要再啰嗦下特征(呵呵,实际上是看到那么好的对特征的解释,不放在这里有点可惜,所以就塞到这了)。 四、转载 2017-08-31 16:29:42 · 15997 阅读 · 1 评论 -
TLD算法详解(一)前言 + 跟踪器与检测器的设计
原文:http://blog.csdn.net/wood_water/article/details/9017681。本文略微做了增减等修改。 TLD是英国Surrey大学的Zdenek Kalal发表在PAMI2012年七月刊的一篇文章,主要贡献在于将跟踪与检测结合在一起,实现了工程上可应用的实时跟踪程序。而本篇文章其实是对ZK 在 2009年的paper:Online learni...转载 2017-09-03 21:52:12 · 3072 阅读 · 0 评论 -
脊回归(Ridge Regression)详解
脊回归(Ridge Regression) 转载于:http://blog.csdn.net/daunxx/article/details/51578787 在《线性回归(Linear Regression)》中提到过,当使用最小二乘法计算线性回归模型参数的时候,如果数据集合矩阵(也叫做设计矩阵(design matrix))X,存在多重共线性,那么最小二乘法对输入变量中的转载 2017-11-15 16:51:08 · 12664 阅读 · 1 评论 -
支持向量机通俗导论(理解SVM的三层境界)
支持向量机通俗导论(理解SVM的三层境界)作者:July 。致谢:pluskid、白石、JerryLead。说明:本文最初写于2012年6月,而后不断反反复复修改&优化,修改次数达上百次,最后修改于2016年11月。声明:本文于2012年便早已附上所有参考链接,并注明是篇“学习笔记”,且写明具体参考了pluskid等人的文章。文末转载 2017-10-24 17:52:30 · 1038 阅读 · 0 评论 -
机器学习概念总结笔记(一)——机器学习算法分类、最小二乘回归、岭回归、LASSO回归
机器学习概念总结1,机器学习算法分类1)监督学习: 有train set,train set里面y的取值已知。2)无监督学习:有train set, train set里面y的取值未知。3)半监督学习:有train set, train set里面y的取值有些知道有些不知道。4)增强学习:reinforcement learning, 无train set。2,常见算法转载 2017-10-11 20:25:10 · 9298 阅读 · 0 评论 -
机器学习概念总结笔记(二)——逻辑回归、贝叶斯分类、支持向量分类SVM、分类决策树ID3、
原文链接:https://cloud.tencent.com/community/article/6546538)逻辑回归logistic回归又称logistic回归分析,是一种广义的线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。例如,探讨引发疾病的危险因素,并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例,选择两组人群,一组是胃癌组,一组是非胃癌组,两组人群必转载 2017-10-11 20:31:11 · 4513 阅读 · 0 评论 -
机器学习概念总结笔记(三)——分类决策树C4.5、集成学习Bagging算法Boosting算法随机森林算法迭代决策树算法、
原文:https://cloud.tencent.com/community/article/16187312)分类决策树C4.5C4.5算法继承了ID3算法的优点,并在以下几方面对ID3算法进行了改进:1) 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足;2) 在树构造过程中进行剪枝;3) 能够完成对连续属性的离散化处理;4) 能够对不完整数据进行处理。转载 2017-10-11 20:36:28 · 6406 阅读 · 0 评论 -
机器学习概念总结笔记(四)——KMeans、混合高斯模型、LDA、PLSA、Apriori、FP-Growth、
原文:https://cloud.tencent.com/community/article/84799321)KMeans聚类分析是一种静态数据分析方法,常被用于机器学习,模式识别,数据挖掘等领域。通常认为,聚类是一种无监督式的机器学习方法,它的过程是这样的:在未知样本类别的情况下,通过计算样本彼此间的距离(欧式距离,马式距离,汉明距离,余弦距离等)来估计样本所属类别。从结构性来划分转载 2017-10-11 20:38:04 · 3290 阅读 · 0 评论 -
超平面是什么?——理解超平面(SVM开篇之超平面详解)
研究了半天,终于对“超平面”有了个初步了解。 n 维空间中的超平面由下面的方程确定: 其中,w 和 x 都是 n 维列向量,x 为平面上的点,w 为平面上的法向量,决定了超平面的方向,b 是一个实数,代表超平面到原点的距离。且 ...原创 2017-08-17 10:47:27 · 98484 阅读 · 42 评论 -
核函数与径向基函数 (Radial Basis Function 简称 RBF)详解
转载于 :http://blog.csdn.net/huang1024rui/article/details/515106111.核函数1.1核函数的由来-----------还记得为何要选用核函数么?-----------对于这个问题,在Jasper's Java Jacal博客《SVM入门(七)为何需要核函数》中做了很详细的阐述,另外博主对于SVM德入门学习转载 2017-09-27 09:26:21 · 26946 阅读 · 1 评论 -
什么是过拟合?
过拟合很好理解,今天在知乎上看到一个人这么解释,挺形象的,大致是这么个说法。在机器学习中,我们想要提高在训练数据上的表现力原创 2017-08-30 14:57:02 · 13542 阅读 · 0 评论 -
今日头条推荐算法原理
今日头条算法原理(全文)今日头条 2018-01-16 11:20:00今天,算法分发已经是信息平台、搜索引擎、浏览器、社交软件等几乎所有软件的标配,但同时,算法也开始面临质疑、挑战和误解。今日头条的推荐算法,从2012年9月第一版开发运行至今,已经经过四次大的调整和修改。今日头条委托资深算法架构师曹欢欢博士,公开今日头条的算法原理,以期推动整个行业问诊算法、建言算法;通过转载 2018-01-17 22:40:48 · 2546 阅读 · 0 评论 -
Python 机器学习实战:根据成绩预测大学生能否被高校录取
逻辑回归算法是用于分类的。本案例中,建立一个逻辑回归模型来预测一个学生是否被大学录取。假设你是一个大学系的管理员,你想根据两次考试的结果来决定每个申请人的录取机会。你有以前的申请人的历史数据,你可以用它作为逻辑回归的训练集。对于每一个培训例子,你有两个考试的申请人的分数和录取决定。为了做到这一点,我们将建立一个分类模型,根据考试成绩估计入学概率。 首先,导入库,并且读取数据集。原来数原创 2018-01-13 22:14:25 · 11904 阅读 · 7 评论 -
TLD目标跟踪算法详解(二)学习器Learning (跟踪器与检测器的协调与更新)
原文链接:http://blog.csdn.net/wood_water/article/details/9023151 在上一篇跟踪器与检测器(tracker and detector)中,我们已经详细介绍了TLD中跟踪器与检测器的设计方案,而在具体运行过程中需要对二者进行调和,所谓调和主要指两方面:1.对二者输出的结果综合考虑,选择最有可能的作为最终的输出。2.当目标跟...转载 2017-09-03 21:55:28 · 2672 阅读 · 0 评论 -
基于深度学习的目标检测技术演进
作者:Madcola来源:https://www.cnblogs.com/skyfsm/p/6806246.htmlobject detection我的理解,就是在给定的图片中精确找到物体所在位置,并标注出物体的类别。object detection要解决的问题就是物体在哪里,是什么这整个流程的问题。然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现...转载 2017-09-05 08:54:07 · 2252 阅读 · 0 评论 -
理解卷积神经网络CNN中的特征图 feature map
一直以来,感觉 feature map 挺晦涩难懂的,今天把初步的一些理解记录下来。参考了斯坦福大学的机器学习公开课和七月算法中的机器学习课。 CNN一个牛逼的地方就在于通过感受野和权值共享减少了神经网络需要训练的参数的个数。总之,卷积网络的核心思想是将:局部感受野、权值共享(或者权值复制)以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不...转载 2017-09-05 10:18:54 · 57302 阅读 · 15 评论 -
caffe nat 类代码分析详解
Net类是Solve类的一个成员,主要功能// Net connects Layers together into a directed acyclic graph (DAG) specified by a NetParameter,to achieve // initialization through layer by layer, and provide Update () interfa转载 2017-09-18 10:05:05 · 1775 阅读 · 0 评论 -
caffe blob类用法详解
此部分内容参考了三人的博客,写的东西有相同之处和不同之处,互相补充吧. 1. 转载链接:http://blog.csdn.net/chenriwei2/article/details/46367023 主要功能:Blob 是Caffe作为数据传输的媒介,无论是网络权重参数,还是输入数据,都是转化为Blob数据结构来存储,网络,求解器等都是直接与此结构打交道的。转载 2017-09-18 14:12:57 · 12011 阅读 · 0 评论 -
Ubuntu 14.04下如何查看cuda 版本
使用下述命令:cd /usr/local/cuda/samples/1_Utilities/deviceQuery #由自己电脑目录决定makesudo ./deviceQuery如果得到下面版本信息,说明cuda已经安装成功。原创 2017-10-10 11:24:26 · 14598 阅读 · 2 评论 -
Ubuntu14.04 +GTX1070 Ti +cuda 8.0+cudnn5.1+tensorflow 1.2 的安装
最近新配置了一个新电脑,装上了GTX1070 Ti,在安装cuda 8.0 和tensorflow 1.2 ,趟了一点坑。在此记录下来,希望能给他们一些帮助。1、安装 ubuntu 14.04 安装过程不赘述,当然,你也可以安装 16.04或者17.04.安装完成后,重启。如果显示的分辨率发生变化,并且还调整不了分辨率,不用担心,装好驱动就好了。2、安装 ...原创 2018-01-22 18:55:06 · 2384 阅读 · 12 评论 -
多目标跟踪—— deep_sort
1、tensorflow 如何指定使用 GPU转载 2018-01-23 22:25:12 · 4045 阅读 · 0 评论