机器学习
欧西特
这个作者很懒,什么都没留下…
展开
-
RNN構造二進制加法器的tensorflow實現
RNN(循环神经网络)对于序列数据的建模有得天独厚的优势,相比一般的前馈神经网络,它对于历史输入数据具有一定的记忆性,能通过隐变量记录历史信息。本文利用RNN来学习二进制加法的进位规则。异国友人写了一个Python+Numpy的RNN二进制加法器,简单明了,还包括作者对RNN的理解和介绍,非常棒的博客。地址在这里。本文是针对它的tensorflow实现,一方面学习RNN,一方面学习tensorflo原创 2016-12-12 23:50:17 · 2314 阅读 · 1 评论 -
Faster-Rcnn中RPN(Region Proposal Network)的理解
卷积后的pool层特征既可以用于类别判别,也可以用于回归BoundingBox,可以这样想,object的外围存在着一个看不见的BoundingBox, 只要人为提供了真值,那么网络就可以学会去调整参数来回归它。这跟利用已有的网络架构提取特征作为自己特定任务领域的初始化参数是一个道理,都是transferlearning的体现。在实际使用中,pool层后增加了一个调整层(convolution,见原创 2016-12-17 17:30:22 · 24987 阅读 · 3 评论 -
Face recognition-Loss Functions
Face rescognition-Loss Functionssoftmax(Deepface-oxford,DeepID系列)每个人为一类,总共n+1类。收敛后的网络可以用于提取待测试集合的人脸特征,再在该特征基础上训练分类器(SVM、联合贝叶斯、knn等), 缺陷是区分力度不够,受限于close-set,对于open-set的泛化性不够。一般的解决办法如deepid是网络只用作提取特征,后续再原创 2017-10-09 11:13:09 · 923 阅读 · 0 评论 -
Caffe分类网训练流程
caffe分类网训练流程1. 数据准备1.1 将不同类别图像分别置于相应文件夹下1.2 将数据集划分为训练集和测试集,脚本如下:import os.pathimport osimport shutilrootpath = "/home/wz/Desktop/safety_belt/merged/"saveDir = "/home/wz/Desktop/safety_belt/caffedata原创 2017-10-15 14:49:56 · 505 阅读 · 0 评论 -
利用Tensorflow-slim Finetuning分类网流程及C++预测
利用Tensorflow-slim Finetuning分类网流程及C++预测安装tensorflow及TF-slim库 https://github.com/tensorflow/tensorflow https://github.com/tensorflow/models/tree/master/research/slim将自己的训练数据转换成TF-records 切换到TF-sli原创 2017-10-25 15:24:59 · 1425 阅读 · 0 评论 -
HWDB-1.1 手写汉字CNN识别模型训练
数据集使用CASIA-HWDB1.1进行训练和测试,训练集和测试集按照4:1划分,测试集235200张,训练集940800张,共计1,176,000张图像。该数据集由300个人手写而成,其中包含171个阿拉伯数字和特殊符号,3755类GB2312-80 level-1汉字。http://www.nlpr.ia.ac.cn/databases/handwriting/Download.html样例图...原创 2018-06-07 12:16:42 · 16864 阅读 · 13 评论