Deep Learning(深度学习)
文章平均质量分 60
liulina603
治疗对未来焦虑的良药就在今天你自己的所为
展开
-
机器学习算法汇总:人工神经网络、深度学习及其它
学习方式根据数据类型的不同,对一个问题的建模有不同的方式。在机器学习或者人工智能领域,人们首先会考虑算法的学习方式。在机器学习领域,有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法,这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。1、监督式学习:在监督式学习下,输入数据被称为“训练数据”,每组训练转载 2015-03-31 09:06:20 · 3711 阅读 · 0 评论 -
RCNN物体检测
物体检测所以看了下CNN大火以后的几篇经典文献,OverFeat,Region CNN, Dense Neural Pattern等等。原创 2015-11-13 16:37:37 · 2207 阅读 · 0 评论 -
Deep Learning(深度学习)-----我整理了网上与此相关的资料
二、背景 机器学习(Machine Learning)是一门专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能的学科。机器能否像人类一样能具有学习能力呢? 机器学习虽然发展了几十年,但还是存在很多没有良好解决的问题: 例如:图像识别、语音识别、自然语言理解、天气预测、基因表达、转载 2015-03-12 09:39:49 · 7559 阅读 · 0 评论 -
MNIST手写字体结构
mnist的结构如下,选取train-imagesTRAINING SET IMAGE FILE (train-images-idx3-ubyte):[offset] [type] [value] [description] 0000 32 bit integer 0x00000803(2051) magic number转载 2015-09-14 10:21:10 · 7117 阅读 · 4 评论 -
CNN神经网络层次分析
1.2 池化层(Pooling)用ReLU代替sigmoid转载 2015-04-07 08:59:12 · 53498 阅读 · 3 评论 -
卷积和池化的区别、图像的上采样(upsampling)与下采样(subsampled)
1、卷积当从一个大尺寸图像中随机选取一小块,比如说 8x8 作为样本,并且从这个小块样本中学习到了一些特征,这时我们可以把从这个 8x8 样本中学习到的特征作为探测器,应用到这个图像的任意地方中去。特别是,我们可以用从 8x8 样本中所学习到的特征跟原本的大尺寸图像作卷积,从而对这个大尺寸图像上的任一位置获得一个不同特征的激活值。 下面给出一个具体的例子:假设你已经从一个 96x96 的图像中...转载 2015-08-17 16:46:31 · 65645 阅读 · 6 评论 -
Deep Learning的训练工具~caffe
1. Deep Learning工具—— Theano Theano是deep learning的Python库,要求首先熟悉Python语言和numpy,建议读者先看Theano basic tutorial,然后按照Getting Started 下载相关数据并用gradient descent的方法进行学习。 2、Torch 是很多机器学习和人工智能项目的核心Fac原创 2015-08-18 13:08:44 · 4219 阅读 · 1 评论 -
在caffe上跑自己的数据
转载博客地址:http://blog.csdn.net/u012878523/article/details/41698209本文介绍如何使用caffe对自己的图像数据进行分类。1图片数据库准备由于图片数据收集比较费时,为了简单说明,我用了两类,dog和bird,每种约300张。train200张,val100张。新建一个文件夹mine,放自己的数据,在mine文件夹下转载 2015-08-19 10:06:09 · 12069 阅读 · 2 评论 -
xml文件转换
opencv 中将级联分类器数据存储为xml文件,读取时非常复杂,为了降低复杂度我将haar分类器数据按最简单的格式存储,只包含纯的数据,不含任何其它冗余信息存储的顺序就是按cascade结构体中个成员的定义顺序来存储的。具体的存储代码: int SaveCascade(CvHaarClassifierCascade *cascade)函数// testtest.cpp :原创 2015-08-11 14:40:12 · 3133 阅读 · 2 评论 -
deeplearning----利用逻辑回归分类MINIST数字
模型 对数回归模型是线性概率分类器,它有两个参数,权重矩阵W和偏移向量b.分类的过程是把数据投影到一组高维超平面上,数据和平面的距离反应了它属于这个类别的概率。这个模型的数学公式可以表示为:#模型的输出即为预测的结果,它的值为:代码如下:转载 2015-04-01 14:20:44 · 1752 阅读 · 0 评论 -
deeplearning----学习一个简单的分类器
零一损失 我们的目的就是让错误次数(零一损失)尽可能的少:f(x)会得出在当前的theata条件下输入对应的最大概率的输出值。换言之,我们从x预测出f(x),如果这个值就是y,那么预测成功,反之失败。转载 2015-04-01 09:48:07 · 1675 阅读 · 0 评论 -
训练集(train set) 验证集(validation set) 测试集(test set)
一, 训练样本和测试样本训练样本的目的是 数学模型的参数,经过训练之后,可以认为你的模型系统确立了下来。一般训练样本和测试样本相互独立,使用不同的数据。 在有监督(supervise)的机器学习中,数据集常被分成2~3个,即:训练集(train set) 验证集(validation set) 测试集(test set)。http://blog.sina.com.cn原创 2015-04-02 14:51:22 · 25583 阅读 · 0 评论 -
训练深度神经网络的时候需要注意的一些小技巧
转自:http://weibo.com/p/1001603816330729006673 翻译网上的哈,我觉得有很大一部分从没看到过,所以就翻译了下,如有不对的地方,欢迎指正:1:准备数据:务必保证有大量、高质量并且带有干净标签的数据,没有如此的数据,学习是不可能的2:预处理:这个不多说,就是0均值和1方差化3:minibatch:建议值128,转载 2015-09-24 09:57:34 · 1584 阅读 · 0 评论