机器学习
没有头像的宝宝
这个作者很懒,什么都没留下…
展开
-
蒙特卡罗方法和拉斯维加斯方法
蒙特卡罗算法并不是一种算法的名称,而是对一类随机算法的特性的概括,比如说某种算法属于一种蒙特卡罗算法。 在随机算法里,在采样不全时,通常不能保证找到最优解,只能说是尽量找。根据怎么个尽量法,可以把随机算法分成两类: 蒙特卡罗算法:采样越多,越近似最优解; 拉斯维加斯算法:采样越多,越有机会找到最优解。 举例: 蒙特卡罗:假如筐里有100个苹果,让我每次闭眼拿1个,挑出最大的。于是我随机拿1转载 2016-07-10 14:42:25 · 1538 阅读 · 0 评论 -
一个小的UGM的Demo
翻译自【https://www.cs.ubc.ca/~schmidtm/Software/UGM/small.html】在这个demo中,我们使用一个非常简单的无向图模型(UGM)来表示一个简单的概率场景,来说明怎样把模型应用于无向图中,怎样在模型里实现解码,推理以及采样。学生作弊案这里有四个学生需要做两场多项选择的测试,Cathy,Heather,Mark和Allison。第一场测试中,四...翻译 2019-01-26 18:43:08 · 676 阅读 · 0 评论 -
用pytorch实现一个神经网络(一)
对于图像数据的resize问题: pytorch里有几种resize数据的方法: 1.torchvision.transforms.Resize:这个我始终没用成,好像是服务器上安装的anaconda包里的函数不太对。这个函数是对于PIL图像进行操作的。 2.对于numpy.ndarray的数据resize,函数为o=np.resize(i,newSize) 这个函数我试了,输出的结果再保存原创 2017-12-21 22:19:14 · 2643 阅读 · 0 评论 -
华盛顿大学机器学习基础:案例研究week2
利用Python学习简单的数据操作import graphlabsales = graphlab.SFrame('home_data.gl/')#exploring the data for housing salesgraphlab.canvas.set_target('ipynb')sales.show(view="Scatter Plot",x="sqft_living",y="pri原创 2017-10-21 21:03:48 · 883 阅读 · 0 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
第二周:神经网络基础2.1二分分类训练数据集大小:m_train 测试数据集大小:m_test对于一个训练数据(x,y),x代表特征,x∈Rn,n表示数据维度,y代表label,y∈{0,1}。 对于一组训练数据,既包含特征信息,也包含标签信息。‘ 对于一个容量为m的训练数据集:(x(1),y(1)),(x(2),y(2)),……,(x(m),y(m))定义特征矩阵X(一般每个数据作为一列,列原创 2017-09-01 20:47:46 · 1029 阅读 · 0 评论 -
华盛顿大学机器学习课程(个案研究法)
本课程主要是从应用入手,来解释一些机器学习中的模型。案例一:regression, linear regression(回归、线性回归)这个是一个经典的预测房价的案例。假设我们有一组房子的数据,包括房子面积,房间数目,卫生间个数,以及出售价格等属性,那么如何通过这些已知数据,来预测一个房子的出售价格呢?利用的方法就是统计学中常用的数据分析方法——线性回归。利用该方法找到最合适的模型,来对新的数据进行原创 2017-09-18 21:51:25 · 1390 阅读 · 0 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
第二周主要内容为:神经网络基础。2.1 二分分类 一些默认规则: 训练集的大小:m_train 测试集的大小:m_test 在定义特征矩阵的时候,对于输入数据(x,y),x代表特征,x \in R <>y代表label原创 2017-08-31 22:33:53 · 406 阅读 · 0 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第一周)
第一周为深度学习概论,教授了一些基础概念。 2017.8.31 1.3 用神经网络进行监督学习 对于一般的数据,比如说房价问题,使用标准的神经网络。 对于图像领域中的一些数据处理,经常使用CNN(卷积神经网络) 对于序列数据,比如音频文件,和时间有关系,是一维时间序列,经常使用RNN(循环神经网络)。还有单词等逐个出现的数据。 对于一些复杂的数据,比如说道路检测中图像加雷达,原创 2017-08-31 22:16:12 · 1375 阅读 · 0 评论 -
双目视觉相关学习
一、视差 1.视差的定义:两幅图像重叠时共轭对之间的位置差。共轭对:对应的特征点。 b是两个相机之间的距离,又称为基线距离。2.双目视觉(立体视觉)测距步骤: 1)确定摄像机的相对几何位置和有关参数,即摄像机的标定(calibration); 2)寻找在两幅图像中都便于区分的特征,或用于匹配的基元; 3)把左右两幅图像中的有关特征进行匹配,即解决特征匹配的方法问题; 4)根据视差计算原创 2017-07-25 11:11:18 · 1540 阅读 · 3 评论 -
Recursive drivable road detection with shadows based on two-camera systems
对这篇文章中关于图像阴影去除的部分做简单介绍。目前网上没找到相关代码,已向作者发出邮件要了,不知道会不会给我应答。该方法也是基于图像的成像原理: 这里边比我之前看到的貌似多了两个参数,g为场景的几何因素(geometric factor),l为光照亮度,实际上对应于之前公式里的I。把该公式中的W(λ)和l相乘,即等价与前面的E(λ)。 该论文中又考虑到了相机在处理数据的时候加入了伽马校正,即原创 2017-08-17 15:56:36 · 264 阅读 · 0 评论 -
文件上传(Linux服务器)
我是真的不用心吗???这个操作第三次做了,还是不记得。上传文件用rz指令,但是每次用的时候都会报错没有该指令。安装该指令:apt-get install lrzsz -y这边网上查到的都需要用yum来安装,但是我并不清楚为啥直接用apt-get就可以了。然后这就行了。长点脑子。做过的事情都不记得。原创 2017-07-14 21:42:16 · 323 阅读 · 0 评论 -
caffe test
占坑原创 2017-03-03 15:49:43 · 443 阅读 · 0 评论 -
Tracking算法学习之Compressive Tracking——Real-Time Compressive Tracking
原文地址:【http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm】部分理解借鉴于【http://blog.csdn.net/zouxy09/article/details/8118360】本文的主要思想是:首先利用符合压缩感知RIP条件的随机感知矩阵对多尺度图像特征进行降维,然后再降维的特征上采用简单的朴素贝叶斯分类器进行分类。主要思路如下: (1)在翻译 2016-08-02 19:25:51 · 820 阅读 · 0 评论 -
深度学习Tracking(1)——Learning to Track at 100 FPS with Deep Regression Networks
发生了一些很奇葩的事情,因此我可能要开始学习深度学习了。研究生开始这么久了才开始做深度学习,我真的要担心自己的毕业问题了。好的吧,加油吧。虽然不懂,现在开始吧。原文地址:【http://davheld.github.io/GOTURN/GOTURN.pdf】 项目地址:【http://davheld.github.io/GOTURN/GOTURN.html】本文介绍的算法利用深度回归网络,输入为视原创 2017-02-21 21:14:47 · 2302 阅读 · 0 评论 -
深度学习Tracking(1)——Learning to Track at 100 FPS with Deep Regression Networks(代码理解)
工程地址:【http://davheld.github.io/GOTURN/GOTURN.html】第一次看深度学习网络实现的工程代码,有很多内容和结构不理解,并且在Linux下跑网络工程代码没有IDE,无法调试,我也不知道在查看函数的时候如何跳转,因此看整个工程文件十分麻烦。因此自己也是边看边查边学。下面开始解析该工程代码,可能存在一些偏差和错误,将会不断学习和修正。一、工程结构工程主目录下有6个原创 2017-03-01 10:47:47 · 3611 阅读 · 1 评论 -
卡尔曼滤波、粒子滤波的滤波是什么意思?
【https://www.zhihu.com/question/34809533】filtering is weighting(滤波即加权)。 滤波的作用就是给不同的信号分量不同的权重。其实卡尔曼、粒子是叫估计器estimator。估计estimate当前值叫滤波filtering,估计过去叫平滑smoothing,估计未来叫预测prediction。不过为了方便,往往就叫滤波器了。明确一下插值、滤转载 2016-07-11 22:25:00 · 650 阅读 · 0 评论 -
链式UGM的Demo
翻译自【https://www.cs.ubc.ca/~schmidtm/Software/UGM/chain.html】上一个demo中说明的方法在计算节点数和状态数时需要指数级的时间复杂度,因此当节点或者状态数过大时不实用。在这个demo中,我们考虑图结构为链式时的清醒。利用链式结构具有的条件独立性质,我们可以使得decoding/inference以及采样的时间缩短为多项式级。即使链很长或者...翻译 2019-01-27 14:41:35 · 314 阅读 · 0 评论