算法
文章平均质量分 76
荡舟
特别水
展开
-
算法初探
哈哈,Leo又来CSDN瞎写啦。 想来最近真的是闲来无事呀。放假就是轻松,就是任性。可以花时间做点自己想做的事情。不过,回想起之前几年,一旦放假就拿大把大把的时间去打DOTA和LOL,还真是有些对不起自己。之前的半年左右吧,临近毕业了,Leo也本着对自己未来负责的宗旨。去了一家还不错的通信公司实习了小半年。虽然是通讯公司,但是我被分到了其中的电软部门,做一些算法和用户行为分析的数据挖掘原创 2015-01-15 10:27:06 · 476 阅读 · 0 评论 -
Python scikit-learn 学习笔记—环境篇
Python scikit-learn 学习笔记—环境篇 近来闲来无事,也面临毕业季。这段时间除了做毕业设计,和同学再多吃几顿饭玩玩游戏之外。剩下的时间浪费着实可惜。想着以后研究生还要读三年,不如现在多看看书或者别的资料。正逢最近参加阿里巴巴大数据比赛,趁机学了一阵Python 数据挖掘包scikit learn,估计以后说不定会用到,所以先行记录下来,分享给大家。 先说原创 2015-04-28 10:38:41 · 1991 阅读 · 0 评论 -
Python scikit-learn 学习笔记—手写数字识别
这是一个手写数字的识别实验,是一个sklearn在现实中使用的案例。原例网址里有相应的说明和代码。 首先实验的数据量为1797,保存在sklearn的dataset里。我们可以直接从中获取。每一个数据是有image,target两部分组成。Image是一个尺寸为8*8图像,target是图像的类别,在我们看来类别就是手写的数字0-9. 代码一开始,将数据载入。# Standard原创 2015-04-28 12:14:32 · 12829 阅读 · 0 评论 -
Python scikit-learn 学习笔记—PCA+SVM人脸识别
人脸识别是一项实用的技术。但是这种技术总是感觉非常神秘,在sklearn中看到了人脸识别的example,代码网址如下:http://scikit-learn.org/0.13/auto_examples/applications/face_recognition.html#example-applications-face-recognition-py 首先介绍一些PCA和SVM的功能原创 2015-05-16 10:17:37 · 14931 阅读 · 3 评论 -
caffe训练网络的实践
Caffe现如今已经成为了深度学习一个非常火的框架。但是作为刚接触CNN或者caffe的小白可能对caffe的接口或者细节不是很清楚了解。本文作为尝试着利用caffe做一个简单的图片分类model,希望能够与大家快速入门caffe训练属于自己的数据。 首先,要准备自己的数据集。这次任务是训练手写的文本。请注意,并不是手写集Mnist,区别在于是手写完整的一页作为一类。一共有6类。肉眼看区别很原创 2015-10-16 21:38:15 · 2711 阅读 · 2 评论 -
caffe上图片分类的实践
本文紧接着上一篇 :http://blog.csdn.net/leo_is_ant/article/details/49183275 (训练实践)进行图片分类。 话说上回,我们已经训练出了数据的模型 caffe_model。下面我们用一个caffe提供的Python接口进行一次图片的分类练习。首先推荐一篇文章 链接在此:http://nbviewer.ipython.org/githu原创 2015-10-19 12:20:56 · 1675 阅读 · 2 评论 -
fast-rcnn训练实战
这一周训练了一个fast-rcnn网络,趁着还没有忘记先记一笔。关于图片检测detection这一类问题,随着CNN的流行出现了许多新的方法与系统。其中RCNN就是比较出名的一个。Rcnn的论文在此http://www.cs.berkeley.edu/~rbg/papers/r-cnn-cvpr.pdfcaffe里也实现了rcnn具体的demohttp://nbviewer原创 2015-12-12 16:04:00 · 11712 阅读 · 14 评论 -
理解LSTM
地址:http://www.jianshu.com/p/9dc9f41f0b29英文地址:http://colah.github.io/posts/2015-08-Understanding-LSTMs/最近看一篇可视化LSTM的文章《VISUALIZING ANDUNDERSTANDING RECURRENT NETWORKS》(建议一读)地址:http://arxi转载 2015-12-27 09:43:51 · 1556 阅读 · 0 评论 -
用caffe训练人工神经网络
Caffe 是一个做CNN的工具。但是如果我只想搭建一套普通的神经网络,那么应该怎么做呢?这篇文章参考了一下两篇文章来一发CNN搭建神经网络的实验。 http://nbviewer.ipython.org/github/joyofdata/joyofdata-articles/blob/master/deeplearning-with-caffe/Neural-Networks-with-原创 2016-01-12 19:45:29 · 3831 阅读 · 1 评论 -
从caffe中新增layer(cpp版本)
在caffe 中增加一个什么都不做的layer(不考虑forward&backward算法,只考虑打通流程)英文教程 https://github.com/BVLC/caffe/wiki/Development#developing-new-layers一 修改 /src/caffe/proto/caffe.proto1 在 LayerParameter 增加optional MyLayerPara原创 2016-11-16 11:14:55 · 1410 阅读 · 0 评论 -
Python scikit-learn 学习笔记—鸢尾花模型
鸢尾花数据是一个简易有趣的数据集。这个数据集来源于科学家在一岛上找到一种花的三种不同亚类别,分别叫做setosa,versicolor,virginica。但是这三个种类并不是很好分辩,所以他们又从花萼长度,花萼宽度,花瓣长度,花瓣宽度这四个角度测量不同的种类用于定量分析。基于这四个特征,这些数据成了一个多重变量分析的数据集。下面,我们就利用sklearn试着从不同的角度去分析一下这个数据集。原创 2015-04-30 17:26:22 · 15009 阅读 · 0 评论 -
NumPy教程
转载来自 http://www.tuicool.com/articles/r2yyei先决条件在阅读这个教程之前,你多少需要知道点python。如果你想从新回忆下,请看看 Python Tutorial .如果你想要运行教程中的示例,你至少需要在你的电脑上安装了以下一些软件:PythonNumPy这些是可能对你有帮助的:ipython 是一个净强化的交互Py转载 2015-04-25 11:51:06 · 1124 阅读 · 0 评论 -
初探NO.3—从头到尾聊聊贝叶斯的分类方法
宅在家无聊之余决定看着《概率论和数理统计》&《统计学习方法》总结一下朴素贝叶斯和贝叶斯估计。 正好这一块我最近温习了一下,我从一开始条件概率开始写,把我所理解的贝叶斯分类算法完整呈现一下吧。 学的概率论最开始是在高中,当时是条件概率,给出条件概率的定义:事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为P(A|B),读作“在B条件下A的概率”。 其次原创 2015-02-11 21:38:14 · 1290 阅读 · 2 评论 -
算法—概述&理解
关于算法,包括我相信很多一开始学习的新手(包括Leo)。都不知道从哪里开始下手,甚至于说,算法的概念都很模糊。我写着一篇博客,想从我接受算法的过程一点一点阐述我对这东西的理解。最后再给出一点我看别人的观点和官方的解释,希望通过分享我的历程来给以后学习这一块的人们一点铺垫,大家且看且指正,THX~ 最开始接触算法,我想我是在高中数学,有一学期的必修课我们学的是流程框图这一块(后来在大学就原创 2015-01-18 10:27:34 · 579 阅读 · 0 评论 -
初探NO.1—逻辑回归学习的前前后后2
初探NO.1—逻辑回归学习的前前后后2 有些人觉得数学已经很复杂了,那么如果把它带入实现的编码环节是不是更加困难? 实际来讲确实有一些困难,但是稍作探究,就会发现其中的规律和套路。既然如此,不如耐心地把这一道心里上的坎过去,这样才是真正的进步。 这一篇博客的代码来自于《机器学习pthon实战》我们借着上一篇的逻辑回归,看一看当算法进入实现时候是如何做到的吧。原创 2015-02-05 16:27:18 · 892 阅读 · 0 评论 -
CNN神经网络
关于cnn神经网络的学习报告Issue 1卷积神经网络的流程我的理解:这个网络和一般的神经网络差不多,不同的地方我觉得有两个,第一,它多了网络的层数,增加层数原因在于,它提高了网络的学习程度。第二,它提取特征的时候不单单使用了sigmoid 函数而是采用了一个卷积核去做卷积并且通过局部感受整体和权值共享的机制将计算量变得不再这么复杂。流程如下: 输入的数据集可以为原原创 2015-01-10 20:13:15 · 3013 阅读 · 2 评论 -
初探NO.1—逻辑回归学习的前前后后
初探NO.1—逻辑回归学习的前前后后 Leo突然消失了半个月,哈哈哈,因为我学车去了~大冬天的学车还是挺冷的。不过既然年前任务结束了,那就静下心来再写几篇博客吧~ 其实我发现我写完了算法初探之后,不知道如何继续下手。要么有些东西知道但是不知道如何表达,要么发现自己还是不能掌握其中的精髓,但是既然要写就干脆踏踏实实做,所以这一期我将给大家带来我学习的第一个算法—Logist原创 2015-02-02 22:11:25 · 1073 阅读 · 0 评论 -
初探NO.2—离散分类问题&决策树的启示
决策树看起来挺好的那么它是如何学习出来的?这就需要我们再细细探究一番。通过观察会其实我们会发现这个树学习的关键是找出它的各个节点之间的排列次序,既然所有的叶子节点都是判断的结果,那么哪一个特征需要我们拿来作为根节点,哪一个会成为它子节点......其实决策树的精髓也在于此,只要我们知道怎么去给特征排序,那么问题基本就解决了。原创 2015-02-06 15:58:48 · 2837 阅读 · 1 评论 -
转载—图像深度学习准备篇
深度学习——数据预处理联系 前言: 本节主要是来练习下在machine learning(不仅仅是deep learning)设计前的一些数据预处理步骤,关于数据预处理的一些基本要点在前面的博文Deep learning:三十(关于数据预处理的相关技巧)中已有所介绍,无非就是数据的归一化和数据的白化,而数据的归一化又分为尺度归一化,均值方差归一化等。数据的白化常见的也有PC转载 2015-02-08 14:10:02 · 2372 阅读 · 0 评论 -
初探NO.4—SVM_guide教你直接用支持向量机
支持向量计算法(SVM)是一种流行的分类技术。然而,这一种技术对于一个初学者而言可能会感到陌生,进而忽略这个算法简单却至关重要的步骤以至于得不到满意的结果。在这个指南中,我们会介绍一种使用算法过程,利用这个过程希望能达到满意的结果。翻译 2015-02-13 21:00:28 · 1623 阅读 · 0 评论 -
算法中常见名词
所谓名正言顺~所以Leo 梳理这个之前打算先从这里面的一些名词说起。 名词篇: 1监督学习:任务是学习一个模型,使模型能够对任意给定的输入,对其相应的输出做出一个好的预测。它的最重要的一个方面就是学习的过程中有已知的训练样本。什么意思呢?就是在训练这一个模型的时候我们有可以拿来参考的例子。我们根据这些例子为后来的判断预测做出结果。 2无监督学习:这个和监督学习相对应。他原创 2015-01-22 09:05:07 · 1579 阅读 · 0 评论 -
初探NO.3—从头到尾聊聊贝叶斯的分类方法2
上一篇梳理了一下朴素贝叶斯和贝叶斯估计的一点理论http://blog.csdn.net/leo_is_ant/article/details/43741261今天再接再厉利用《机器学习实战的python》来探究一下代码方面是如何落地的。首先说明一下,这一次的例子是一个文档的分类,文档的分类和上一篇写的理论稍有不同的是它对不同的文档进行了一次预处理,把所有文档做成了一个“字典”原创 2015-02-12 11:02:08 · 883 阅读 · 0 评论 -
图说 faster r-cnn
因为我的google登录的时候是google japan..所以有一次搜 fasterrcnn 看到了这个。。。原创 2016-12-20 16:21:18 · 623 阅读 · 0 评论