- 博客(6)
- 资源 (4)
- 收藏
- 关注
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