zhiliu的专栏

本文全面介绍合成孔径雷达自聚焦概念和方法

介绍Julia的安装配置,以及与其它语言的性能对比.

常见评价指标，陆续补充

介绍Julia深度学习, 并对比MATLAB, PyTorch的性能

文章目录简介实例网络设计代码运行结果参考文献简介Matlab降低了深度神经网络的开发难度，可以通过拖拽的模式设计网络，甚至训练的过程也是GUI操作。实例以高光谱图像分类为例，参考文献1 。构造一个卷积神经网络，输入为9×9×B9\times 9\times B9×9×B 的图像，其中BBB为波段数，类标为中心像素的标签。网络设计在Matlab的APPS中搜索Deep Network工具箱，打开后，选择New来创建网络，在弹出的界面中可以选择创建空白网络，也可以选择预训练的网络。进入设计洁面后

说明记录RTX3090显卡显示驱动与cuda计算驱动安装过程, 本文均采用 run 格式的安装文件.显卡驱动安装文件下载cuda 从 这里 下载安装文件 cuda_11.1.0_455.23.05_linux.rundriver 从 这里 下载安装文件 NVIDIA-Linux-x86_64-455.45.01.run, NVIDIA-Linux-x86_64-455.23.04.run一次性安装显示驱动和cuda计算套件参照 Ubuntu 16.04 LTS + CUDA8.0 + cu

简介分类模型转换网络参数转到MAT 文件keras权重到mat可知直接用matlab读取hdf5文件, 也可以通过如下脚本 keras2mat.py 转换.#!/usr/bin/env python2#-*- coding: utf-8 -*-# Author:# ---------<Zhi Liu># ---------<Xidian University># ---------<zhiliu.mind@gmail.com># --------

YOLO安装源码获取安装车牌检测转换样本格式修改网络其他训练可视化训练测试YOLO安装源码获取从 darknet 下载。git clone https://github.com/pjreddie/darknet.git安装修改Makefile文件，启用GPU、CUDNN等，不启用的话，相应值置零：GPU=1CUDNN...

说明安装准备下载依赖库配置与安装修改配置文件构建安装说明SSD MobileNetSSD ShufulleNetSSD安装准备由于旧版caffe源码及SSD作者提供的论文源码不支持cuda9，仅支持cuda8，而新版caffe支持cuda9，所以这里使用新版的caffe源码替代caffe SSD中的旧的源码，主要替换cudnn相关的...

说明SSDMobileNet SSDShuffleNet SSDDepthwise卷积ShuffleNet说明基于caffe平台的，SSD、MobileNet SSD、ShuffleNet SSD目标检测模型。SSD请参考：NVIDIA JTX2 + Ubuntu16.04LTS + Caffe + SSDUbuntu 16.04LTS +...

激活函数分类参考文档CS2131N: Commonly used activationfunctions激活函数(ReLU, Swish,Maxout)代码链接pyml by zhi思维导图补充恒等函数函数表达式: y=xy = xy=x函数特性: 线性tanhtanh, sinh,cosh函数表达式: y=tanh(x)=e2x−1e2x+...

UFLDL Tutorial原始代码可以从这里（GitHub repository）一次性下载。需要注意的是有些数据需要自己去下载，比如，在做PCA的练习时，需要下载MNIST数据集，可以到THE MNIST DATABASE下载。文章目录@[toc]Supervised Learning and Optimization[Linear Regression](http://ufldl.st...

Unsupervised LearningAutoencodersPCA Whitening当把PCA应用于图像时，有点疑惑的是，按照协方差的公式：Cov(X,Y)=E[(X−E[X])(Y−E[Y])]Cov(X,Y)=E[(X-E[X])(Y-E[Y])]Cov(X,Y)=E[(X−E[X])(Y−E[Y])]，减去的均值应该是所有样本的均值。这样，对于图像块矩阵xn×m\rm{x}_...

Preprocessing: PCA and WhiteningPCAWhitening白化的目的就是降低输入的冗余性，即想通过白化过程使得输入：特征间的相关性较低；(PCA)所有特征具有相同的方差。(1λi+ϵ1\over\sqrt{\lambda_i+\epsilon}λi​+ϵ​1​缩放)PCA已经使得数据间的相关性降低，为使每个输入特征具有单位方差，用1λi+ϵ1\over...

Pytorch学习笔记简介安装安装包方式源码方式构建文档问题与解决使用简介pytorchpytorch github安装安装包方式很简单不多说源码方式官方参考： pytorch from source参照官方说明安装即可。conda install numpy pyyaml mkl mkl-include setuptools cmake cffi typing#...

Deep LearningNotesBooksSoftwaresListsComparisonOnline ResourcesTricksCodingCollectionsSupport or ContactResources of Deep Learning @ iridescent.inkDeep Learningα+βα+β\al...

目前，贾扬清和他在Facebook的团队正在开发新一代框架Caffe2。今年4月18日，Facebook开源了Caffe2。Caffe2与Caffe的区别是什么？Caffe2更注重模块化，在移动

DeepLearning 0.1 documentation中文翻译：Deep Learning Tutorials_深度学习教程原文网址：http://deeplearning.net/tutorial/index.htmlDeepLearning 01 documentation中文翻译Deep Learning Tutorials_深度学习教程DeepLearning 01 document

<DeepLearning 0.1 documentation>Stacked Denoising Autoencoders (SdA)部分, 即堆栈式降噪自编码器的中文翻译.

《DeepLearning 0.1 documentation》的 Denoising Autoencoders (DA) 部分的翻译，即去噪自编码器。

本文记录了本人在配置Ubuntu 14.04 LTS + Torch7 + CUDA环境的过程，以及遇到的一些问题，简要介绍了Torch的使用。

本文记录了本人安装配置NVIDIA DIGITS步骤与方法，软件环境为Ubuntu 14.04 + CUDA 7.0 + cuDNN 7.0 + Caffe 0.13.0 + DIGITS 2.0。并以DIGITS自述文件中的例子为例，简单介绍了DIGITS的用法。

本文主要记录了NVIDIA DIGITS的参数设置方法及其与Caffe中的参数的对应关系。

本文是"Local Receptive Fields Based Extreme Learning Machine"的学习笔记。含实验结果，及自己实现的源代码！

本文为《DeepLearning 0.1 documentation》的中文翻译，本人水平有限，如有错误或不当，欢迎批评指正！非常感谢！原文网址：http://deeplearning.net/tutorial/contents.html注：点击英文上的链接会转到原网页，点击对应中文转到翻译网页。

DeepLearning 0.1 documentation中文翻译: Restricted Boltzmann Machines (RBM)_受限玻尔兹曼机原文网址: http://deeplearning.net/tutorial/rbm.htmlDeepLearning 01 documentation中文翻译 Restricted Boltzmann Machines RB

RCNN Object DetectionRich feature hierarchies for accurate object detection and semantic segmentationGirshick R, Donahue J, Darrell

《机器学习系统设计》那本书的学习笔记

线性因子模型

层级实时记忆（Hierarchical Temporal Memory，HTM）脑皮质学习算法（Cortical Learning Algorithms）

简介安装环境参考资料准备基础环境配置依赖库安装构建与安装获取源码For Python修改配置文件构建安装添加环境变量验证Python接口问题解决安装各种找不到头文件numpy相关hdf5No module named caffe计算能力相关py-faster-rcnnTypeError: init() got an unexpected ...

本文为YOLO实测展示及使用方法记录

\[y(x,{\bf{w}}) = {w_0} + {w_1}x + {w_2}{x^2} + , \cdots , + {w_M}{x^M} = \sum\limits_{j = 0}^M {{w_j}{x^j}} \]