机器学习
文章平均质量分 85
夕阳叹
The best way to predict the future is to create it.
展开
-
自己做的一个肤色检测模型
肤色检测在人像美化中,肤色检测有助于防止磨掉头发、胡子等需要保持细节的部分,也可以使美白算法仅作用于皮肤,不对人像周边环境产生影响。 网上找了一下肤色检测模型,效果都太差,换了一种思维,找个训练集,自己做一个。 训练结果,正确率大概85%,运行起来,确实还是比网上找的公式好,勉强可用了。模型算法最终反映为 opengl 的一个片断着色器,直接看shader代码吧。varying vec2 tex原创 2015-07-19 15:12:39 · 5173 阅读 · 0 评论 -
从软件工程的角度写机器学习1——机器学习的思想
机器学习的思想序提到机器学习,圈内人首先想到的是神经网络、SVM、梯度下降、逻辑回归等具体的算法,而对圈外人而言,机器学习就等同于机器人、无人驾驶等具体的应用场景。 看了不少机器学习相关的文章,有描述知识点的:讲解算法非常详细,并且给出实现的程序demo。也有描述覆盖面的:泛泛而谈机器学习的典型应用场景,力图使大众易于理解。 但在一个软件工程中,机器学习如何应用,各算法如何衔接,怎么系统地去原创 2016-02-12 11:04:17 · 4520 阅读 · 2 评论 -
从软件工程的角度写机器学习2——流行的机器学习应用模式与算法
流行的机器学习应用模式与算法本文将围绕机器学习的概念,尽可能归纳总结当前流行的机器学习应用模式及相关算法。 “对于某类任务T和性能度量P,如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善,那么我们称这个计算机程序在从经验E学习。”机器学习的各类算法之间,重叠交叉又各自不同,既然是从软件工程的角度来写,我们会先介绍机器学习算法所依存的框架,再在这个框架下介绍有哪些算法,算法详情不做原创 2016-02-28 14:40:26 · 3095 阅读 · 0 评论 -
从软件工程的角度写机器学习3——主要监督学习算法的工程性分析
主要机器学习算法的工程适用性分析前段时间AlphaGo跟李世石的大战及相关的深度学习的新闻刷了一遍又一遍的朋友圈。不过这件事情,也只是在机器学习的深度上进一步拓展,而机器学习的广度(也即工程化实践)上,仍然没有什么突破性的理论或实践,用的领域继续用,不用的领域依然不用。重要性机器学习的使命是使计算机强大的运算能力和存储能力转化为推演能力,能转化是一方面,转化的效率则是另一方面。科研性原创 2016-04-16 13:06:12 · 5319 阅读 · 0 评论 -
从软件工程的角度写机器学习4——-C4.5决策树的工程实现
C4.5决策树的工程实现这篇文章开始,将讲述一系列机器学习算法的工程实现方案。出于常用且简单的考虑,选择了C4.5决策树作为第一个算法。工程框架鉴于本篇是第一个算法实现,应此需要把整个工程框架介绍一下。 出于最优性能考虑,本框架是为C/C++语言设计的。不过即使用其他语言,也可以按这个框架实现,模块还可以再精简。本工程定位: 1、无脑版机器学习算法库,使用者基本不需要了解任何算法细节,也不需要了原创 2016-07-17 00:52:40 · 3955 阅读 · 0 评论 -
从软件工程的角度写机器学习5——SVM(支持向量机)实现
SVM实现SVM在浅层学习时代是主流监督学习算法,在深度学习时代也往往作为最后一个预测层使用。本系列文章旨在讲解机器学习算法的工程实现方法,不在于推导数学原理。原创 2016-08-30 14:45:41 · 3290 阅读 · 2 评论 -
从软件工程的角度写机器学习6——深度学习之卷积神经网络(CNN)实现
卷积神经网络(CNN)实现背景卷积神经网络广泛用于图像检测,它的实现原理与传统神经网络基本上是一样的,因此将普遍意义的神经网络和卷积神经网络的实现合成一篇。神经网络实现思路“扔掉神经元”尽管所有教程在介绍神经网络时都会把一大堆神经元画出来,并且以输入节点——神经元——输出结点连线,但是,在编程实现时,基于神经元去编程是低效的。典型如这篇经典文章里面的代码: http://blog.csdn.net原创 2016-10-28 02:00:09 · 4842 阅读 · 4 评论 -
从软件工程的角度写机器学习7——-LSTM网络实现
LSTM网络实现问题描述影片评价问题: 输入一个英文句子,输出好/坏的二元评价,比如 The movie is very bad -> 0 Wonderful -> 1算法思路本图中的数字仅为示例,并非真实数据 Embedding层在上一篇卷积神经网络的实现中,我们将类别直接映射为{0,0…1,…0}这样的向量,但对于单词而言,这个向量维度太大了(500个单词就是500维…),结合后面的原创 2017-08-29 20:37:33 · 718 阅读 · 0 评论