- 博客(6)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 卷积神经网络学习笔记
之前也一直用CNN提特征，但也仅仅将其看成一个特征提取器，网络内部结构我也大概知道，但是不太精细，因此今天想要重新学习一下CNN网络的构造与数据流传输的问题，巩固下基础。1.卷积神经网络最重要的两点：传统神经网络层与层之间是全部连接起来的，这样参数就会变得非常多，难以训练，这也是神经网络早早提出缺没有应用于实际应用的原因。后面提出了卷积神经网络的 局部感受野 和 权值共享 成功解决了这个问题。（1）
2017-01-23 09:57:48
1177
原创 Caffe的使用
因为目前大多数深度论文的代码都是基于caffe的（当然也有基于Theano，torch的等），以前也看过一些，但这几天准备研究研究caffe的框架，写个博客记录一下其中遇到的问题以及解决方案。1.网络训练整体过程（1）将数据转换成caffe的格式。 （2）定义网络。 网络.prototxt文件内定义各层的输入输出、类型以及一些参数 （3）配置求解器。 sol
2017-01-20 10:55:23
568
原创 linux基本操作命令
1. 路径问题：a. 可以使用cd命令，cd命令的功能是切换到指定的目录： 命令格式：cd [目录名] 有几个符号作为目录名有特殊的含义： “/”代表根目录、 根目录/home = home目录 “..”代表上一级目录、 “~”代表HOME目录、 “-”代表前一目录 b. 判断当前路径： pwd . 表示用户当前操作
2017-01-19 11:24:35
553
原创 浅谈人工智能，机器学习，计算机视觉之间的关系
计算机视觉相当于是人工智能的大门，如果这个门不打开，就没有办法真的研究真实世界的人工智能。因为视觉信息与听觉触觉相比要重要得多，人的大脑皮层70%的活动都在处理视觉信息，如果没有视觉信息的话，整个人工智 能只是一个空架子，只能做符号推理（下棋，定理证明等）。计算机视觉相当于一个研究领域，有很多问题要研究。而机器学习更像是一个方法和工具。 本身应当叫统计学习，方法都是从概率领域拿来的，但是机器学习
2017-01-16 11:01:35
15623
原创 一些代码合作心得
最近在做一个项目，项目组目前一共4个人，一个负责硬件一个负责软件界面，剩下我和另一个人负责算法实现。项目也做了有半年多了，其中发现了一些问题，也算是一些收获吧，写在这集合大家分享一下。1.任务分配。因为我是学生组这边的组长，因此会有一些任务分配的部分。本以为这是一个很轻松的工作，其实不然。因为要考虑工作量的多少以及时间的分配，你给别人工作分配的多，按时完成不了，大家都不开心；工作分配的少，你自己就要
2017-01-16 10:35:29
1576
原创 语音的线性预测系数（Linear Prediction Coefficient，LPC）
线性预测技术很早（1967年）就已经被应用与语音处理领域，基本概念是：一个语音的采样值可以通过过去若干语音采样值的线性组合来逼近（最小均方误差），能够决定唯一的一组预测系数，而这个预测系数就是题目中的LPC，可以当作是该语音的一个特征。1.优势线性预测最重要的优势在于其可以较为精确的估计语音的参数，而这些极少的参数可以正确的表现语音信号的时域和频域特性。2.基本原理线性预测分析的基本原理是把信号用一
2017-01-06 11:05:42
14961
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人