![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
常识
文章平均质量分 93
看不见我呀
坚持就是胜利
展开
-
cnn可视化工具
https://www.leiphone.com/news/201707/TmZfbVdmupizoVcB.html转载 2018-10-30 16:21:23 · 1106 阅读 · 0 评论 -
权重分布
对于多层网络来说,其权重应该越来越稀疏。作者:小小鱼链接:https://zhuanlan.zhihu.com/p/41631717来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 在机器学习中,经常需要对模型进行正则化,以降低模型对数据的过拟合程度,那么究竟如何理解正则化的影响?本文尝试从可视化的角度来解释其影响。首先,正则化通常分为三种,都是在...转载 2018-10-30 15:44:55 · 4657 阅读 · 1 评论 -
Tensorboard 直方图Summary使用指南
参考文献:https://www.jianshu.com/p/d059ffea9ec0https://blog.csdn.net/u010099080/article/details/77426577https://zhuanlan.zhihu.com/p/37022051主要内容:如何解读Histogram Dashboard的信息用途当你想查看一个tensor在训练过程的...转载 2018-10-30 15:18:29 · 703 阅读 · 0 评论 -
tensorbord使用
https://www.jianshu.com/p/d059ffea9ec0 什么是 TensorBoardTensorBoard 是 TensorFlow 上一个非常酷的功能,我们都知道神经网络很多时候就像是个黑盒子,里面到底是什么样,是什么样的结构,是怎么训练的,可能很难搞清楚,而 TensorBoard 的作用就是可以把复杂的神经网络训练过程给可视化,可以更好地理解,调试并优化程...转载 2018-10-30 14:55:13 · 1229 阅读 · 0 评论 -
anchor理解
faster rcnn中rpn的anchor,sliding windows,proposals?作者:马塔链接:https://www.zhihu.com/question/42205480/answer/155759667来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 最近也在看这部分内容,将自己的理解和大家分享一下,希望有所帮助。首先我们需...转载 2018-10-31 16:19:53 · 1842 阅读 · 0 评论 -
maskrcnn案例
https://www.jiqizhixin.com/articles/Mask_RCNN-tree-master-samples-balloon转载 2018-10-29 18:31:07 · 306 阅读 · 0 评论 -
解读Squeeze-and-Excitation Networks(SENet)
https://zhuanlan.zhihu.com/p/32702350Squeeze-and-Excitation Networks(SENet)是由自动驾驶公司Momenta在2017年公布的一种全新的图像识别结构,它通过对特征通道间的相关性进行建模,把重要的特征进行强化来提升准确率。这个结构是2017 ILSVR竞赛的冠军,top5的错误率达到了2.251%,比2016年的第一名还要低...转载 2018-10-09 15:12:28 · 3377 阅读 · 0 评论 -
TensorFlow入门(五)多层 LSTM 通俗易懂版
https://blog.csdn.net/Jerr__y/article/details/61195257@author: huangyongye@creat_date: 2017-03-09前言: 根据我本人学习 TensorFlow 实现 LSTM 的经历,发现网上虽然也有不少教程,其中很多都是根据官方给出的例子,用多层 LSTM 来实现 PTBModel 语言模型,比如:ten...转载 2018-10-11 10:19:26 · 3511 阅读 · 1 评论 -
LSTM入门学习——本质上就是比RNN的隐藏层公式稍微复杂了一点点而已
https://www.cnblogs.com/bonelee/p/7714843.htmlLSTM入门学习摘自:http://blog.csdn.net/hjimce/article/details/51234311下面先给出LSTM的网络结构图:看到网络结构图好像很复杂的样子,其实不然,LSTM的网络结构图无非是为了显示其高大上而已,这其实也是一个稍微比RNN难那么一丁点的...转载 2018-10-11 10:15:55 · 3554 阅读 · 0 评论 -
深度学习(2)-反卷积(deconvolution)
https://blog.csdn.net/Kevin_cc98/article/details/78916531反卷积在论文中常常对应的英文有:Deconvolution (怪怪的“去卷积”) Upconvolution (原文:unet) Fractionally strided convolution Backward strided convolution意思是它的...转载 2018-09-25 18:35:05 · 2198 阅读 · 0 评论 -
梯度爆炸和梯度消失——引入的误差越来越多,同时有用信息减少,同时想到的了relay BP
这个将是对于用基于梯度优化方法的死结。https://machinelearningmastery.com/exploding-gradients-in-neural-networks/爆炸梯度是一个问题,其中大的误差梯度累积并导致在训练期间对神经网络模型权重的非常大的更新。这会导致您的模型不稳定,无法从您的训练数据中学习。在这篇文章中,您将发现使用深度人工神经网络爆炸梯度的问题。...转载 2018-10-30 16:02:10 · 963 阅读 · 0 评论 -
权重分布
https://stats.stackexchange.com/questions/198762/understanding-weight-distribution-in-neural-network转载 2018-10-30 16:08:09 · 1194 阅读 · 0 评论 -
关于和领导相处的原则
我的上任领导(river)其实已经算很好说话了,但是我们还是合作不来,其实大部分原因是在我的。所以昨天和我的上任领导谈话了,核心围绕对我的评价展开的:1.对我的评价,主要说缺点:对我最大的影响就是问题很多,典型的问题宝宝。但是如果做研发,这个是ok的,做算法的如果没有问题就做不下去了。但是对于事物性的东西,没必要问原因,做就是了。还探讨了一个东西,做项目问项目的可以,但是不要问人员配置。...原创 2019-07-26 10:35:45 · 156 阅读 · 0 评论 -
双目相机标定以及立体测距原理及OpenCV实现
https://my.oschina.net/abcijkxyz/blog/787652单目相机标定的目标是获取相机的内参和外参,内参(1/dx,1/dy,Cx,Cy,f)表征了相机的内部结构参数,外参是相机的旋转矩阵R和平移向量t。内参中dx和dy是相机单个感光单元芯片的长度和宽度,是一个物理尺寸,有时候会有dx=dy,这时候感光单元是一个正方形。Cx和Cy分别代表相机感光芯片的中心点在x和...转载 2019-02-19 14:09:14 · 946 阅读 · 1 评论 -
世界坐标系、相机坐标系、图像坐标系之间的关系
https://www.cnblogs.com/gary-guo/p/6553155.html转载 2019-02-15 18:22:24 · 514 阅读 · 0 评论 -
相机的那些事儿 (一)概念
https://zhuanlan.zhihu.com/p/23089791转载 2019-02-15 18:14:46 · 188 阅读 · 2 评论 -
Faster R-CNN 论文阅读记录(二):细节(最好的)
作者:露秋链接:https://zhuanlan.zhihu.com/p/44612080来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 此文承接《Faster R-CNN 论文阅读记录(一):概览》。Faster R-CNN 论文是我目前阅读论文里面花费的时间最长的,前前后后差不多花费了一周的时间。被里面的训练细节、anchor 的挑选等困惑,在网上找...转载 2018-11-02 11:09:39 · 324 阅读 · 0 评论 -
[caffe笔记005]:通过代码理解faster-RCNN中的RPN
https://blog.csdn.net/happyflyy/article/details/54917514[caffe笔记005]:通过代码理解faster-RCNN中的RPN注意:整个RPN完全是笔者自己的理解,可能会有一些理解错误的地方。1. RPN简介RPN是regional proposal networks的缩写,是faster-RCNN结构中的一部分。faster-...转载 2018-11-01 17:43:08 · 478 阅读 · 0 评论 -
rpn训练和r-cnn的训练比较
原创 2018-11-01 17:42:13 · 937 阅读 · 0 评论 -
视频摘要
https://blog.csdn.net/qq_14845119/article/details/71746341 广义上来说,摘要可以分为2种,第一种是直接提取视频中的关键帧合成新的视频,该方法虽然也可以缩短视频的时长,但是合成后视频给人一种快进看电影的感觉,而且实际使用较少,所用的方法包括SEDIM,SEDIM-IN,CEA,TEA等方法。 这里分享一个修改后的SED...转载 2018-09-07 18:38:11 · 5747 阅读 · 1 评论 -
协方差矩阵二
https://blog.csdn.net/pandav5/article/details/48828151一、统计学的基本概念统计学里最基本的概念就是样本的均值、方差、标准差。首先,我们给定一个含有n个样本的集合,下面给出这些概念的公式描述: 均值: 标准差: 方差: 均值描述的是样本集合的中间点,它告诉我们的信息是有限的,而标准差给我们描述的是样本...转载 2018-09-10 17:33:24 · 1065 阅读 · 0 评论 -
协方差矩阵
https://blog.csdn.net/u010182633/article/details/45937051介绍在本文中,我们通过探索线性变换与所得数据协方差之间的关系提供协方差矩阵一个直观的几何解释。大部分教科书基于协方差矩阵的概念解释数据的形状。相反,我们采取一个反向的方法,根据数据的形状来解释协方差矩阵的概念。在《为什么样本方差除以N-1?》的文章中,我们会讨论方差的概念,...转载 2018-09-10 17:32:05 · 756 阅读 · 0 评论 -
回归问题的评价测度
https://blog.csdn.net/jasonding1354/article/details/46340729对于分类问题,评价测度是准确率,但这种方法不适用于回归问题。我们使用针对连续数值的评价测度(evaluation metrics)。下面介绍三种常用的针对回归问题的评价测度In [21]:# define true and predicted response ...转载 2018-08-30 18:36:32 · 928 阅读 · 0 评论 -
【机器学习】贝叶斯分类(通过通俗的例子轻松理解朴素贝叶斯与半朴素贝叶斯)
https://blog.csdn.net/lyl771857509/article/details/78993493贝叶斯分类贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法。这篇文章我尽可能用直白的话语总结一下我们学习会上讲到的朴素贝叶斯分类算法,希望有利于他人理解。 1 分...转载 2018-08-27 13:48:49 · 3453 阅读 · 2 评论 -
t-SNE完整笔记
http://www.datakit.cn/blog/2017/02/05/t_sne_full.htmlt-SNE(t-distributed stochastic neighbor embedding)是用于降维的一种机器学习算法,是由 Laurens van der Maaten 和 Geoffrey Hinton在08年提出来。此外,t-SNE 是一种非线性降维算法,非常适用于高维数据...转载 2018-08-08 18:40:02 · 14163 阅读 · 3 评论 -
windows bat脚本编写
https://www.cnblogs.com/micro-chen/p/5694423.htmlwindows批处理 (cmd/bat) 编程详解 开始之前先简单说明下cmd文件和bat文件的区别:在本质上两者没有区别,都是简单的文本编码方式,都可以用记事本创建、编辑和查看。两者所用的命令行代码也是共用的,只是cmd文件中允许使用的命令要比bat文件多。cmd文件只有在window...转载 2018-08-03 17:55:31 · 91873 阅读 · 1 评论 -
gpuz手册
https://blog.csdn.net/u013498580/article/details/80090103vidia-smi是用来查看GPU使用情况的。我常用这个命令判断哪几块GPU空闲,但是最近的GPU使用状态让我很困惑,于是把nvidia-smi命令显示的GPU使用表中各个内容的具体含义解释一下。 这是服务器上特斯拉K80的信息。 上面的表格中: 第一栏的Fan:N...转载 2018-07-18 23:24:25 · 1094 阅读 · 0 评论 -
caffe细节
1.关于卷积相关链接:https://github.com/Yangqing/caffe/wiki/Convolution-in-Caffe:-a-memofor w in 1..W for h in 1..H for x in 1..K for y in 1..K for m in 1..M//每套卷积进行遍历(一套卷积遍历完所有的输入通道) ...原创 2018-05-11 20:58:59 · 143 阅读 · 0 评论 -
关机caffe的一些整理
这篇博客,仅仅是为了整理昨天遇到的一对问题:前天本来以为都好了,双系统整起来了,开机启动项好了,nvidia驱动好了,cuda失败,caffe好了,pycaffe好了,matlab好了,只是一个matlab占了我14G,顿时我有点捉急了。于是一切废了,重新开始以下整理遇到的一些问题:1.开始重装系统ubuntu,已经有制作好的U盘,这个比较简单,只是分区的注意:(1)逻辑分区和主分区的区别,到底该...原创 2018-05-11 12:03:46 · 143 阅读 · 0 评论 -
什么是姿态角(Euler角)pitch yaw roll
Z轴正方向为前进方向pitch():俯仰,将物体绕X轴旋转(localRotationX)百度上居然搜不到俯仰滚转和偏航的定义,可见大家的浮躁了,没事摇一摇都不干正事了,整理了一下资料,公布给大家。要了解飞机姿态,需要首先知道什么是地面坐标系和机体坐标系。■地面坐标系(earth-surface inertial reference frame)Sg--------Oxgygzg转载 2018-01-08 10:52:28 · 3747 阅读 · 0 评论 -
Fisher判别分析_用于降维的方法
https://blog.csdn.net/u013943841/article/details/45080889首先我们得搞清楚什么是Fisher算法?选取任何一本模式识别与智能计算的书都有这方面的讲解。首先得知道Fisher线性判别函数,在处理数据的时候,我们经常遇到高维数据,这个时候往往就会遇到“维数灾难”的问题,即在低维空间可行,那么在高维空间往往却不可行,那么此时我们就可以降数据降维...转载 2018-08-20 17:31:10 · 7687 阅读 · 1 评论 -
OneHot编码知识点
https://blog.csdn.net/tengyuan93/article/details/78930285两个多月没有更新博客了,一直忙于天池某个比赛和开题方面的事宜,现在重新抓起,更新博客,希望能整理+思考得出些有营养的东西,也算是自己的笔记方便以后查阅。如果有错误,请回复指出,谢谢!定性特征转换为定量特征定性特征,表示某个数据点属于某一个类别,或具有某一种类的特性。 ...转载 2018-08-27 22:55:38 · 701 阅读 · 0 评论 -
机器学习特征工程实用技巧大全
https://zhuanlan.zhihu.com/p/26444240(2018/2/6 更新:修改了部分名词的翻译)与其说是教程类的科普,不如说是一篇经验向的个人笔记,所以细节上比较懒。其实,我更打算把这篇文章做成一个索引,能够引用原版文档的就引用文档,尽量不重复翻译,毕竟各类文档本身信息量最充足、更新最及时。简洁是本文的第一原则。一些基础的暂时就不补充了,主要涉及一些奇技淫巧。...转载 2018-08-27 23:10:23 · 1388 阅读 · 0 评论 -
如何轻松愉快地理解条件随机场(CRF)?
转自:http://www.jianshu.com/p/55755fc649b1 理解条件随机场最好的办法就是用一个现实的例子来说明它。但是目前中文的条件随机场文章鲜有这样干的,可能写文章的人都是大牛,不屑于举例子吧。于是乎,我翻译了这篇文章。希望对其他伙伴有所帮助。 原文在这里[http://blog.echen.me/2012/01/03/introduction-to-condition...转载 2018-09-06 09:39:12 · 139 阅读 · 0 评论 -
123
https://www.zhihu.com/search?type=content&q=%E4%BA%BA%E8%84%B8%E5%B1%9E%E6%80%A7%E6%A3%80%E6%B5%8B转载 2018-09-03 18:40:49 · 121 阅读 · 0 评论 -
《Edge Boxes: Locating Object Proposals from Edges》读后感~
https://blog.csdn.net/u014696921/article/details/52791366?locationNum=1&fps=1tr等人,属于大中牛范畴。本文并没有涉及到“机器学习”,其采用的是纯图像的方法,这点让我大感意外,因为很多提取proposals的文献,例如BING等,都是基于学习理论的方法。此外,本文的许多内容,甚至数学公式,都是基于作者的直觉直接...转载 2018-09-03 18:28:26 · 183 阅读 · 0 评论 -
多任务人脸属性分析
https://zhuanlan.zhihu.com/p/38082084前言人脸分析在多媒体、社交网络分析、计算机视觉等领域有着非常广泛的应用,不同于我们所熟知的“人脸检测”、“人脸验证”、“人脸比对”等技术。人脸分析可以理解为「给定一张肖像图,算法自动给出对其的属性分析值,例如“是否戴了口罩”、“是否带了美瞳”、“是否有双下巴”、“长得是否好看”等等」,是个非常有意思的研究方向。在Fa...转载 2018-09-03 18:27:23 · 3659 阅读 · 2 评论 -
箱线图(boxplot)简介与举例
https://blog.csdn.net/raintungl/article/details/78188158简述: 盒图是在1977年由美国的统计学家约翰·图基(John Tukey)发明的。它由五个数值点组成:最小值(min),下四分位数(Q1),中位数(median),上四分位数(Q3),最大值(max)。也可以往盒图里面加入平均值(mean)。如上图。下四分位数、中位数、上四分...转载 2018-08-30 13:57:47 · 15250 阅读 · 1 评论 -
Pandas Tutorial: Data analysis with Python: Part 1
https://www.dataquest.io/blog/pandas-python-tutorial/原创 2018-08-29 16:09:45 · 257 阅读 · 0 评论 -
pandas基本应用
虽然是英文,但是还是简单的,读起来比较顺畅https://www.dataquest.io/blog/pandas-tutorial-python-2/原创 2018-08-29 15:55:42 · 311 阅读 · 0 评论