Deep Learning
文章平均质量分 73
GarfieldEr007
这个作者很懒,什么都没留下…
展开
-
深度学习(一)深度学习学习资料
持续更新一、学习清单:1、收集了各种最新最经典的文献,神经网络的资源列表:https://github.com/robertsdionne/neural-network-papers2、计算机视觉学习清单:https://github.com/kjw0612/awesome-deep-vision3、机器学习学习清单:https://github.com/ujj转载 2016-01-25 15:53:12 · 1598 阅读 · 0 评论 -
深度学习(二)theano学习笔记(1)环境搭建
theano学习笔记(1)环境搭建原文地址:http://blog.csdn.net/hjimce/article/details/46654229作者:hjimce搭建theano实属不易,因为每个人的电脑不一样,所以安装过程会有所区别,特别是安装cuda的时候,很容易驱动冲突。网上教程一大堆,但是我都没搭建成功,最后根据官网的教程,一步一步的琢磨,总算功夫不负有心人转载 2016-01-25 15:54:24 · 6688 阅读 · 1 评论 -
深度学习(三)theano学习笔记(2)基础函数-未完待续
theano学习笔记(2)基础函数1、随机函数库的调用2、卷积神经网络[python] view plain copy#-*-coding:utf-8-*- import theano import numpy as np import matplotlib.p转载 2016-01-25 15:55:28 · 2088 阅读 · 0 评论 -
深度学习(四)卷积神经网络Lenet-5实现
卷积神经网络Lenet-5实现原文地址:http://blog.csdn.net/hjimce/article/details/47323463作者:hjimce卷积神经网络算法是n年前就有的算法,只是近年来因为深度学习相关算法为多层网络的训练提供了新方法,然后现在电脑的计算能力已非当年的那种计算水平,同时现在的训练数据很多,于是神经网络的相关算法又重新火了起来,因此卷转载 2016-01-27 11:02:56 · 3498 阅读 · 0 评论 -
深度学习(五)caffe环境搭建
ubuntu 系统下的Caffe环境搭建原文地址:http://blog.csdn.net/hjimce/article/details/48781693作者:hjimce对于caffe的系统一般使用linux系统,当然也有windows版本的caffe,不过如果你一开始使用了windows下面的caffe,后面学习的过程中,会经常遇到各种错误,网上下载的一些源码、模型也往往不能快速的转载 2016-01-27 11:02:58 · 2354 阅读 · 0 评论 -
深度学习(六)caffe入门学习
caffe入门学习原文地址:http://blog.csdn.net/hjimce/article/details/48933813作者:hjimce本文主要讲解caffe的整个使用流程,适用于初级入门caffe,通过学习本篇博文,理清项目训练、测试流程。初级教程,高手请绕道。我们知道,在caffe编译完后,在caffe目录下会生成一个build目录,在buil转载 2016-01-27 11:03:16 · 1638 阅读 · 1 评论 -
深度学习(八)RBM受限波尔兹曼机学习-未完待续
RBM受限波尔兹曼机学习原文地址:作者:hjimce[python] view plain copy#coding=utf-8 import timeit try: import PIL.Image as Image except ImportError:转载 2016-01-27 11:03:19 · 1755 阅读 · 0 评论 -
深度学习(七)caffe源码c++学习笔记
caffe源码c++学习笔记原文地址:http://blog.csdn.net/hjimce/article/details/48933845作者:hjimce一、预测分类最近几天为了希望深入理解caffe,于是便开始学起了caffe函数的c++调用,caffe的函数调用例子网上很少,需要自己慢慢的摸索,即便是找到了例子,有的时候caffe版本不一样,也会出现错转载 2016-01-27 11:03:24 · 2018 阅读 · 0 评论 -
深度学习(九)caffe预测、特征可视化python接口调用
caffe预测、特征可视化python接口调用原文地址:http://blog.csdn.net/hjimce/article/details/48972877作者:hjimce网上有很多caffe训练好的模型,有的时候我们仅仅想要方便的调用已经训练好的模型,利用python进行预测分类测试,查看可视化结果,这个时候,我们可以使用caffe为我们写好的python接口文转载 2016-01-27 11:04:19 · 1528 阅读 · 0 评论 -
深度学习(十)keras学习笔记
keras学习笔记原文地址:http://blog.csdn.net/hjimce/article/details/49095199作者:hjimcekeras与torch7的使用非常相似,是最近才火起来的深度学习开源库,底层是用了theano。keras可以说是python版的torch7,对于快速构建CNN模型非常方便。同时也包含了一些最新文献的算法,比如Batch转载 2016-01-27 11:04:26 · 5454 阅读 · 1 评论 -
深度学习(十一)RNN入门学习
RNN入门学习原文地址:http://blog.csdn.net/hjimce/article/details/49095371作者:hjimce一、相关理论RNN(Recurrent Neural Networks)中文名又称之为:循环神经网络(原来还有一个递归神经网络,也叫RNN,搞得我有点混了,菜鸟刚入门,对不上号)。在计算机视觉里面用的比较少,我目前看过转载 2016-01-27 11:04:33 · 1913 阅读 · 0 评论 -
深度学习(十二)稀疏自编码
稀疏自编码原文地址:http://blog.csdn.net/hjimce/article/details/49106869作者:hjimce一、相关理论以前刚开始学CNN的时候,就是通过阅读theano的深度学习相关教程源码,对于CNN的整个过程才有了深入理解。之前虽然懂CNN的原理,但是对于其源码层的实现,到底要怎么搞,却有点模糊,之后学了theano的cn转载 2016-01-27 11:04:48 · 5074 阅读 · 0 评论 -
深度学习(十四)基于CNN的性别、年龄识别
CNN应用之性别、年龄识别原文地址:http://blog.csdn.net/hjimce/article/details/49255013作者:hjimce一、相关理论 本篇博文主要讲解2015年一篇paper《Age and Gender Classification using Convolutional Neural Networks》,个人感转载 2016-01-27 11:04:57 · 4706 阅读 · 1 评论 -
深度学习(十五)基于DCNN的人脸特征点定位-CVPR 2013
基于DCNN的人脸特征点定位原文地址:http://blog.csdn.net/hjimce/article/details/49955149作者:hjimce一、相关理论本篇博文主要讲解2013年CVPR的一篇利用深度学习做人脸特征点定位的经典paper:《Deep Convolutional Network Cascade for Facial Point转载 2016-01-27 11:06:02 · 23020 阅读 · 10 评论 -
深度学习(十六)基于2-channel network的图片相似度判别-CVPR 2015
基于2-channel network的图片相似度判别原文地址:http://blog.csdn.net/hjimce/article/details/50098483作者:hjimce一、相关理论 本篇博文主要讲解2015年CVPR的一篇关于图像相似度计算的文章:《Learning to Compare Image Patches via Convo转载 2016-01-27 11:06:19 · 2258 阅读 · 1 评论 -
深度学习(十七)基于改进Coarse-to-fine CNN网络的人脸特征点定位-ICCV 2013
基于改进Coarse-to-fine CNN网络的人脸特征点定位原文地址:http://blog.csdn.net/hjimce/article/details/50099115作者:hjimce一、相关理论 本篇博文主要讲解2013年face++的大牛们提出粗到精人脸特征点定位算法paper:《Extensive Facial Landmark Loca转载 2016-01-27 11:06:31 · 3186 阅读 · 2 评论 -
深度学习(十八)基于R-CNN的物体检测-CVPR 2014-未完待续
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 Segment转载 2016-01-27 11:06:47 · 2697 阅读 · 0 评论 -
深度学习(十九)基于空间金字塔池化的卷积神经网络物体检测-ECCV 2014
基于空间金字塔池化的卷积神经网络物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187655作者:hjimce一、相关理论 本篇博文主要讲解大神何凯明2014年的paper:《Spatial Pyramid Pooling in Deep Convolutional Networks for Vi转载 2016-01-27 11:07:04 · 2178 阅读 · 1 评论 -
深度学习(十三)caffe之训练数据格式
caffe之训练数据格式原文地址:http://blog.csdn.net/hjimce/article/details/49248231作者:hjimcecaffe对于训练数据格式,支持:lmdb、h5py……,其中lmdb数据格式常用于单标签数据,像分类等,经常使用lmdb的数据格式。对于回归等问题,或者多标签数据,一般使用h5py数据的格式。当然好像还有其它格式的转载 2016-01-27 11:07:54 · 2490 阅读 · 0 评论 -
深度学习(二十)基于Overfeat的物体检测-2014 ICLR-未完待续
基于Overfeat的物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187881作者:hjimce一、相关理论本篇博文主要讲解经典物体检测算法:《OverFeat: Integrated Recognition, Localization and Detection using Convolutio转载 2016-01-27 11:08:46 · 1894 阅读 · 0 评论 -
深度学习(二十一)基于FCN的图像语义分割-CVPR 2015-未完待续
CNN应用之基于FCN的图像语义分割原文地址:http://blog.csdn.net/hjimce/article/details/50268555作者:hjimce一、相关理论 本篇博文主要讲解2015年的一篇图像语义分割的paper:《Fully Convolutional Networks for Semantic Segmentation》,这篇文献转载 2016-01-27 11:09:04 · 6269 阅读 · 0 评论 -
深度学习(二十二)Dropout浅层理解
Dropout浅层理解原文地址:http://blog.csdn.net/hjimce/article/details/50413257作者:hjimce一、相关工作 本来今天是要搞《Maxout Networks》和《Network In Network》的,结果发现maxout和dropout有点类似,所以就对dropout做一下相关的总结,了解一下其代码转载 2016-01-27 11:09:15 · 4144 阅读 · 0 评论 -
深度学习(二十三)Maxout网络学习-ICML 2013
Maxout网络学习原文地址:http://blog.csdn.net/hjimce/article/details/50414467作者:hjimce一、相关理论 本篇博文主要讲解2013年,ICML上的一篇文献:《Maxout Networks》,这个算法我目前也很少用到,个人感觉最主要的原因应该是这个算法参数个数会成k倍增加(k是maxout的一个参转载 2016-01-27 11:09:33 · 2015 阅读 · 0 评论 -
深度学习(二十四)矩阵分解之基于k-means的特征表达学习
矩阵分解之基于k-means的特征表达学习原文地址:http://blog.csdn.net/hjimce/article/details/50429317作者:hjimce一、相关理论 因为最近搞的项目,要么没有数据、要么训练数据很少,精度老是提高不上去,另一方面最近看到网上一篇推荐文章:《Convolutional Clustering for Un转载 2016-01-28 08:05:10 · 1966 阅读 · 0 评论 -
深度学习(二十五)基于Mutil-Scale CNN的图片语义分割、法向量估计-ICCV 2015
基于Mutil-Scale CNN的图片语义分割、法向量估计原文地址:http://blog.csdn.net/hjimce/article/details/50443995作者:hjimce一、相关理论 2016年的第一篇博文,新的奋斗征程。本篇博文主要讲解2015年ICCV的一篇paper:《Predicting Depth, Surface Norma转载 2016-01-28 08:05:16 · 2845 阅读 · 1 评论 -
深度学习(二十六)Network In Network学习笔记-ICLR 2014
Network In Network学习笔记原文地址:http://blog.csdn.net/hjimce/article/details/50458190作者:hjimce一、相关理论本篇博文主要讲解2014年ICLR的一篇非常牛逼的paper:《Network In Network》,过去一年已经有了好几百的引用量,这篇paper改进了传统的CNN网络,采转载 2016-01-28 08:05:31 · 4242 阅读 · 0 评论 -
深度学习(二十七)可视化理解卷积神经网络-ECCV 2014
可视化理解卷积神经网络原文地址:http://blog.csdn.net/hjimce/article/details/50544370作者:hjimce一、相关理论本篇博文主要讲解2014年ECCV上的一篇经典文献:《Visualizing and Understanding Convolutional Networks》,可以说是CNN领域可视化理解转载 2016-01-28 08:05:49 · 5561 阅读 · 2 评论 -
深度学习(二十八)基于多尺度深度网络的单幅图像深度估计-NIPS 2014
基于多尺度深度网络的单幅图像深度估计原文地址:http://blog.csdn.net/hjimce/article/details/50569474作者:hjimce一、相关理论本篇博文主要讲解来自2014年NIPS上的一篇paper:《Depth Map Prediction from a Single Image using a Multi-Scale Deep Netw转载 2016-01-28 08:05:49 · 5067 阅读 · 2 评论 -
深度学习阅读列表 Deep Learning Reading List
Reading ListList of reading lists and survey papers:BooksDeep Learning, Yoshua Bengio, Ian Goodfellow, Aaron Courville, MIT Press, In preparation.Review Papers Represen转载 2016-03-02 12:18:30 · 2186 阅读 · 0 评论 -
深度学习数据集Deep Learning Datasets
DatasetsThese datasets can be used for benchmarking deep learning algorithms:Symbolic Music DatasetsPiano-midi.de: classical piano pieces (http://www.piano-midi.de/)Nottingham : over 1转载 2016-03-02 12:18:30 · 8836 阅读 · 0 评论 -
深度学习研究组Deep Learning Research Groups
Deep Learning Research GroupsSome labs and research groups that are actively working on deep learning:University of Toronto - Machine Learning Group (Geoffrey Hinton, Rich Zemel, Ruslan Sala转载 2016-03-02 12:18:47 · 1415 阅读 · 0 评论 -
斯坦福公开课深度学习Deep Learning
Deep LearningSamy Bengio, Tom Dean and Andrew NgCOURSE DESCRIPTIONIn this course, you'll learn about some of the most widely used and successful machine learning techniques. You'转载 2016-03-30 12:36:27 · 8461 阅读 · 0 评论 -
反向传播BP 算法之一种直观的解释
0. 前言之前上模式识别课程的时候,老师也讲过 MLP 的 BP 算法, 但是 ppt 过得太快,只有一个大概印象。后来课下自己也尝试看了一下 stanford deep learning 的 wiki, 还是感觉似懂非懂,不能形成一个直观的思路。趁着这个机会,我再次 revisit 一下。本文旨在说明对 BP 算法的直观印象,以便迅速写出代码,具体偏理论的链式法则可以参考我的下一转载 2016-03-30 12:36:28 · 4707 阅读 · 1 评论 -
脉络清晰的BP神经网络讲解,赞
学习是神经网络一种最重要也最令人注目的特点。在神经网络的发展进程中,学习算法的研究有着十分重要的地位。目前,人们所提出的神经网络模型都是和学习算 法相应的。所以,有时人们并不去祈求对模型和算法进行严格的定义或区分。有的模型可以有多种算法.而有的算法可能可用于多种模型。不过,有时人们也称算法 为模型。自从40年代Hebb提出的学习规则以来,人们相继提出了各种各样的学习算法。其中以在1986年转载 2016-03-30 12:36:30 · 3231 阅读 · 0 评论 -
MLP 之手写数字识别
0. 前言前面我们利用 LR 模型实现了手写数字识别,但是效果并不好(不到 93% 的正确率)。 LR 模型从本质上来说还只是一个线性的分类器,只不过在线性变化之后加入了非线性单调递增 sigmoid 函数进行一一映射。实际上,这里的非线性变换对于我们分类来说是几乎没有什么作用的(在分类上,它等价于线性变换之后挑选出输出值最大的节点作为我们的预测结果),于是我们考虑用更复杂一点的带有一个隐层的转载 2016-03-30 12:38:34 · 3276 阅读 · 0 评论 -
卷积神经网络CNN 手写数字识别
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解,第一是二维图像上卷积的概念,第二是 pooling 的概念。a. 卷积关于卷积的概念和细节可以参考这里,卷积运算有两个非常重要特性,以下面这个一维的卷积为例子:第一个特性是稀疏连接。可以看到, layer m 上的每一个节点都只与 layer m-1 对应区域的三个节点相连接。这个局部范围也叫感受野。第二个特性是相同转载 2016-03-30 12:38:40 · 2108 阅读 · 0 评论 -
卷积神经网络和CIFAR-10:Yann LeCun专访 Convolutional Nets and CIFAR-10: An Interview with Yann LeCun
Recently Kaggle hosted a competition on the CIFAR-10 dataset. The CIFAR-10 dataset consists of 60k 32x32 colour images in 10 classes. This dataset was collected by AlexKrizhevsky, Vinod Nair, and转载 2016-03-31 12:31:05 · 1745 阅读 · 0 评论 -
技术向:一文读懂卷积神经网络CNN
自今年七月份以来,一直在实验室负责卷积神经网络(Convolutional Neural Network,CNN),期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用,特写此博文,以其与人交流,互有增益。正文之前,先说几点自己对于CNN的感触。先明确一点就是,Deep Learning是全部深度学习算法的总称,CNN是深度学习算法在图像处转载 2016-03-31 12:44:59 · 1836 阅读 · 0 评论 -
卷积神经网络Convolution Neural Network (CNN) 原理与实现
本文结合Deep learning的一个应用,Convolution Neural Network 进行一些基本应用,参考Lecun的Document 0.1进行部分拓展,与结果展示(in python)。分为以下几部分:1. Convolution(卷积)2. Pooling(降采样过程)3. CNN结构4. 跑实验下面分别介绍。转载 2016-03-31 12:49:01 · 2718 阅读 · 1 评论 -
基于深度学习的图像分类Image classification with deep learning常用模型
本文中,我会根据下大家image classification常用的cnn模型,针对cifar10(for 物体识别),mnist(for 字符识别)& ImageNet(for 物体识别)做一个model 总结。本文不讲coding(coding请见Convolution Neural Network (CNN) 原理与实现篇)本文不涉及公司内部资料,纯公开资料汇总转载 2016-03-31 12:52:17 · 11661 阅读 · 0 评论