qq_38675397的博客

在博客最大似然估计中，通过简单的例子对最大似然估计原理有了一个直观的理解；在博客朴素贝叶斯分类器中，对贝叶斯公式有了一个粗浅的理解，而且我们知道了贝叶斯分类器原理就是最大后验概率估计。这篇博客主要是深入理解最大似然估计、最大后验概率估计、贝叶斯公式的数学原理和它们之间的联系。基本概念理解 想要搞清楚上述几个原理，首先要弄明白概率、统计、概率函数和似然函数概率 概率研究的是：模型和参数已知，预测模型产生某结果的概率。统计 统计研究的和概率正...

在机器学习中，我们常常利用数据来对模型建模，不同的建模方式产生了两种不同的模型：生成式模型、判别式模型。判别式模型 由数据学习决策函数Y=f(X)或者条件概率P(Y|X)作为预测模型。判别式模型学习的是不同类别数据的差异性，最终得到最佳分类面生成式模型 由数据学习联合概率P(Y,X)作为预测模型，生成式模型学习的是不同类别数据的相似性，得到一个相似度概率分布，相似度最高的类别即为预测类别对比对比 判别式模型 生成式模型 特点 寻找不...

贝叶斯分类器是以贝叶斯原理为基础的分类器的总称，是一种生成式模型，朴素贝叶斯分类器是其中最简单的一种。要高明白贝叶斯分类器的原理，首先得明白一些基本概念。预备知识基本概念 先验概率：根据统计/经验得到的某事情发生的概率，比如北京下雨的概率可以通过以往的经验或者统计结果得到 后验概率：在一定条件下某事情发生的概率，比如北京天空出现乌云(因)会下雨(果)的概率 条件概率：事情发生时某条件出现的概率，比如北京下雨(果)会出现乌云(因)的概率贝...

说起交叉熵损失函数「Cross Entropy Loss」，相信大家都非常熟悉，但是要深入理解交叉熵损失函数的原理和作用，还得溯本追源才能对其有一个真实的理解与认知。交叉熵 交叉熵是用来度量两个概率分布的差异性的，因此它被广泛的应用于机器学习和深度学习，用来衡量模型学习到的分布和真实分布的差异。要理解交叉熵，需要从信息量、熵、相对熵几个概念开始信息量 信息奠基人香农认为“信息是用来消除随机不确定性的东西”，因此他提出了信息量的概念，信息量表示一条信息消除不...

前两篇讲了线性回归和感知机，铺垫已经做好了，现在终于可以讲讲逻辑回归了。通过之前的博客我们知道，感知机是线性模型在分类问题上的尝试与改进，那么逻辑回归可以看做是感知机的优化，不了解的小伙伴可以参考博客线性回归和感知机引言 为了实现分类的功能，感知机通过sign函数将线性模型的输出y映射成1和-1，sign函数如下 sign函数是一个非连续...

讲完线性回归本来应该乘热打铁讲讲逻辑回归的，但是我觉得应该先讲解感知机的原理，它不仅可以帮助理解分类和回归，也能帮助理解逻辑回归。引言感知机原理

研究机器学习的小伙伴应该都知道，机器学习主要有两大类模型：分类和回归。这里先大概说一下分类和回归的区别与联系，方便大家对机器学习其他模型有一个宏观的认识。分类和回归联系 其实分类和回归模型本质上是一样的，它们都是通过已有数据构建（求解）一个模型，其中x表示一个n维的特征向量，y表示经过模型的处理后得到的输出结果，而模型的具体表达式可以是千变万化的，这里我们不展开讨论。区别 分类和回归的最主要区别在于模型的输出y，回归模型的输出y是一个连续性的数值型数据；分...

在理解最大似然的过程中我发现，单纯的对极大似然的理论和数学公式进行解释比较晦涩难懂，下面我通过讲解一个自己设计的例子帮助理解。例子描述 假设现在有1万个灯泡，想要知道这些灯泡的合格率（能点亮为合格）？ 如果将1万个灯泡都测试一遍来计算其合格率显然是不现实的，这种情况我们可以对1万个灯泡随机采样，抽取100个灯泡并测试，这100个灯泡的合格率假设通过测试知道80个灯泡可以被点亮，剩下20个不能点亮，那么我们就会估计这1万个灯泡的合格率为80%。极大似然估计...

卷积神经网络的核心思想就是设计多个卷积层，卷积层里设计一系列卷积核，输入数据经过卷积层中的卷积核处理，一层层向前推进得到最终的输出数据，这个过程我们称为数据的特征提取。卷积核 从上面的概述知道，卷积核是卷积神经网络的核心，这也是它为什么叫卷积神经网络的原因。那么要理解卷积神经网络的原理，就必须理解卷积核，而要理解卷积核，要从图像处理开始理解。 ...

将pytorch模型转为onnx模型，代码如下weights_path = '模型权重的路径'net = EfficientNet.from_name('efficientnet-b2', {'num_classes': 2})net.load_state_dict(torch.load(weights_path))net.eval()torch.onnx.export(net, input, 'efficientnet_ss.onnx')报错：RuntimeError: ONNX ex

说到分类网络的优化方法,大家首先想到的可能是加深网络、增加宽度、提高分辨率、添加shortcut等方法，你可能会发现，大家都只是使用某一种方法来进行网络优化，而今天要说的这个EfficientNet网络，则是融合加深网络、增加宽度、提高分辨率这三个方面来对模型进行优化。EfficientNet的作者认为加深网络、增加宽度、提高分辨率这三个方法不应该是相互独立的，因此提出了提出了compound model scaling算法，能达到性能相似的情况下，大大减少模型参数量和提升速度！几种mod...

YOLO v3是从YOLO v1,YOLO v2逐步改进而来,在继承了v1,v2很多内容的基础上,也有了很多新的改进,一步步提高网络的性能,v1,v2的基础有利于v3的理解,请不熟悉v1,v2的小伙伴先参考一下博客YOLO v1原理解析,YOLO v2原理解析YOLO系列原理概述 通过特征提取网络对输入图像提取特征，得到一定size的feature map，比如13*13，然后将输入图像分成13*13个grid cell，接着如果ground truth中某个object的中...

YOLO v2是YOLO v1的一个升级版本,使其变的Better，Faster，Stronger,下面我从Better和Faster两个角度来说明一下(Stronger部分没看懂)Better YOLO有两个缺点：一个缺点在于定位不准确，另一个缺点在于和基于region proposal的方法相比召回率较低,为了解决这两个问题,YOLO v2使用了很多trick,下面来一一说明Batch Normalization 相信大家对BN已经很熟悉了,如今BN已经...

目标检测网络兴起的那几年,最火的就是大家所熟知的R-CNN系列,正是因为R-CNN系列是two-stage两阶段的检测网络,所以其检测速度比较慢,这个时候就有大神将two-stage整合成one-stage,设计出了YOLO网络,意思是you only look ones,下面就讲解一下YOLO网络的检测原理网络结构YOLO的网络结构很简单,基本的卷积层+最后两个全连接层 网络的输入输出输入:图片,resize成448*448,将图片分成7*7...

论文：Single-Shot Refinement Neural Network for Object Detection论文链接：https://arxiv.org/abs/1711.06897 RefineDet网络的设计初衷是在保持one-stage目标检测速度的同时提高检测效果.RefineDet网络结构在我看来可以理解为FPN+ARM(类RPN)+ODM.RefineDet网络结构FPN:FPN网络首先通过一个backbone产生特征金字塔(对应图中上半部分的特征...

pip设置清华源pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simpleconda设置清华源添加源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/conda config --add channels https://mirrors.tuna.tsinghua.edu

RetinaNet是何凯明大神提出的一种网络，该网络结构采用FPN网络的结构(请参考博客FPN网络原理解析)，其主要创新点在于提出了一个新的损失函数Focal Loss(请参考博客Focal Loss损失函数详解)，主要用于解决one-stage目标检测中正负样本极不平衡的问题。关于FPN网络、损失函数Focal Loss的原理上面两篇博客已经写的很详细了，我这里主要说一下以下几点：特征金字塔构建 在ResNet结构上构建FPN，在P3~P7层上构建特征金字塔anchor...

Focal Loss损失函数是何凯明大神在RetinaNet网络中提出的，主要目的是为了解决one-stage目标检测中正负样本极不平衡的问题，下面我们来详细理解一下该函数。背景什么是正负样本极不平衡？ 目标检测算法为了定位目标会生成大量的anchor box，而一幅图中目标(正样本)个数很少，大量的anchor box处于背景区域(负样本)，这就导致了正负样本极不平衡two-stage为什么可以避免样本极不平衡？ two-stage方法在第一阶段生成候...

前言 在图像处理中，为了解决多尺度的问题，设计了图像金字塔；在卷积神经网络中，由于网络提取的不同特征层由低到高尺寸逐渐减小，自然形成了特征金字塔。FPN网络就是在特征金字塔的基础上对模型结构引入新的设计，从而提高了对小目标的检测精度。特征金字塔的特点 特征层由低到高所提取的信息丰富程度不同，特征层越高提取的语义信息level越高 特征层由低到高分辨率逐渐减小，感受野却逐渐增大...

SSD网络是继YOLO之后的one-stage目标检测网络，是为了改善YOLO网络设置的anchor设计的太过于粗糙而提出的，其设计思想主要是多尺度多长宽比的密集锚点设计和特征金字塔，下面我将详细的解析SSD网络结构SSD网络结构精简版详细版通过上面这个图，大家可以清楚的看到SSD的网络结构主要分为以下几个部分：VGG16 Base Layer Extra Feature Layer Detection Layer NMS补充说明：在整个SSD网络中，其...