- 博客(11)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 word2vec源码解析之word2vec.c
//下面是我对word2vec.c的注释//详细算法可以参考论文，或者看这篇博客 http://www.cnblogs.com/downtjs/p/3784440.html// Copyright 2013 Google Inc. All Rights Reserved.//// Licensed under the Apache License, Version 2.0 (the
2014-07-28 19:00:41
24390
1
原创 word2vector学习笔记（一）
最近研究了一下google的开源项目word2vector，http://code.google.com/p/word2vec/。其实这玩意算是神经网络在文本挖掘的一项成功应用。本文是看了论文《Distributed Representations of Words and Phrases and their Compositionality》的学习笔记。
2014-07-22 20:06:45
35577
2
原创 神经网络：caffe特征可视化的代码样例
不少读者看了我前面两篇文章总结一下用caffe跑图片数据的研究流程deep learning实践经验总结2--准确率再次提升，到达0.8，再来总结一下之后，想知道我是怎么实现特征可视化的。
2014-07-09 12:56:36
11949
32
原创 caffe源码分析--poolinger_layer.cpp
caffe源码分析--poolinger_layer.cpp对于采样层，cafffe里实现了最大采样和平均采样的算法。最大采样，给定一个扫描窗口，找最大值，平均采样，扫描窗口内所有值的平均值。
2014-07-30 19:46:29
5467
6
原创 个人履历
回头看来，发现自己干过不少的事。不过目前专注于机器学习，深度学习方面，发现这才是自己的兴趣所在，如无意外，将长期专注于这方面。机器学习，深度学习相关经历：1 玩过基于HOG特征的行人检测，分别在JAVA，OPENCV，CUDA做个实验；2 玩过TLD，研究过C++版本的源代码；3 用C++实现过卷积神经网络的基础框架，含CPU版本和GPU版本（cuda实
2014-07-27 14:57:23
2672
3
原创 我所写的CNN框架 VS caffe
一个月前，自己模仿caffe实现了一个卷积神经网络的框架。一个月前，自己模仿caffe实现了一个卷积神经网络的框架。相同点1无缝支持CPU和GPU模式，GPU模式使用cuda实现。不同点1我的CNN不依赖与任何第三方的函数库，caffe用到了第三方的数学函数库（cublas和mkl）来做矩阵操作。其实区别就在于
2014-07-25 19:19:13
9689
8
原创 java序列化之后，对象的引用关系？
今天写代码的时候用到序列化，不过突然想到这个问题。于是写了一些测试代码，得出两个结论。如果两个对象存在引用关系，比如A引用B。如果两个对象是各自序列化的，则引用关系不再存在。如果两个对象是是另一个类对象C的成员，序列化C，反序列化C之后,A和B的引用关系还存在。
2014-07-24 19:44:38
3931
原创 word2vec源码解析之word2phrase.c
最近研究了一下google的开源项目word2vector，http://code.google.com/p/word2vec/。其实这玩意算是神经网络在文本挖掘的一项成功应用。word2vec.c是核心代码，不过感觉先读word2phrase.c代码，再读前者比较好。一来word2phrase.c算法简单点，容易理解，二来word2phrase.c里面有些函数在word2vec.c会用到，读完word2phrase.c有助于读word2vec.c。
2014-07-22 21:08:36
10014
1
原创 java读取中文分词工具(二)
/* * 文件格式：已分词的中文文本，每个词语空格分割，每行一个段落。 * 这个类适合读取每行数量较少的文本，比如分好段落的文本，一个段落一行存储。 * 读取一行，步长为1，返回词组。不会跨段落生成词组。 * 两种模式： * 1 读到文件末尾，结束 * 2 读到文件末尾，从头再来 */
2014-07-18 18:44:53
1780
原创 java读取中文分词工具(一)
/* * 文本格式：已分词的中文文本，空格分割。有若干行，每行为一个段落。 * 功能：遍历文档，逐个返回词语。 * 两种模式： * 1 到文档末尾后，结束 * 2 到文档末尾后，从头再读。/
2014-07-18 18:43:52
2425
京东评论数据集
2014-08-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人