- 博客(54)
- 收藏
- 关注
RSS订阅原创 Linux服务器中修改终端命令行颜色和格式的小技巧(PS1环境变量生成器)
Linux服务器中修改终端命令行颜色和格式的小技巧(PS1环境变量生成器)，修改文件夹和文件的颜色显示，并使其登录生效，自动生效Linux服务器中修改终端命令行颜色和格式的小技巧：通过在home目录下的隐藏文件./bashrc中添加PS1环境变量实现。修改文件夹和文件的颜色显示，并使其登录生效，自动生效。1、修改当前用户的环境变量文件首先键入：vim ~/.bashrc效果如下所示：在上图所示的文件中键入i对文件进行编辑。然后在文件末尾添加：export PS1="\[$(tput b
2021-04-30 15:53:32
1527
原创 Matlab的实时脚本mlx使用体验
Matlab的实时脚本mlx使用体验工具箱不愧是工具箱Matlab的实时编辑器很像Markdown呀，还可以使用Matlab的工具箱clear;clc;File = dir(fullfile('.','*.mat'));number = length(File);countOf12 = 0;for i = 1:number load(File(i).name); len = length(data) for j = 1:len if
2021-01-07 12:42:49
4035
原创 《吴恩达深度学习》深度学习笔记014_序列模型(Sequence Models)
http://www.ai-start.com/dl2017/html/lesson5-week1.html序列模型(Sequence Models)为什么选择序列模型？（Why Sequence Models?）数学符号（Notation）这个输入数据是9个单词组成的序列，所以最终我们会有9个特征集和来表示这9个单词，并按序列中的位置进行索引，x<1>x^{<1>}x<1>、x<2>x^{<2>}x<2>、x<3&.
2020-12-01 16:07:41
277
原创 《吴恩达深度学习》学习笔记013_特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）
http://www.ai-start.com/dl2017/html/lesson4-week4.html特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）什么是人脸识别？（What is face recognition?）One-Shot学习（One-shot learning）人脸识别所面临的一个挑战就是你需要解决一次学习问题，这意味着在大多数人脸识别应用中，你需要通过单单.
2020-11-30 15:27:44
166
原创 《吴恩达深度学习》学习笔记012_目标检测（Object detection）
http://www.ai-start.com/dl2017/html/lesson4-week3.html目标检测（Object detection）目标定位（Object localization）特征点检测（Landmark detection）目标检测（Object detection）滑动窗口目标检测滑动窗口的卷积实现（Convolutional implementation of sliding windows）掌握了卷积知识，我们再看看如何通过卷积实现滑动窗口对象检测算法.
2020-11-27 15:58:49
173
原创 《吴恩达深度学习》学习笔记011_深度卷积网络：实例探究(Deep convolutional models: case studies)
http://www.ai-start.com/dl2017/html/lesson4-week2.html深度卷积网络：实例探究(Deep convolutional models: case studies)为什么要进行实例探究？（Why look at case studies?）
2020-11-27 11:43:16
224
原创 《吴恩达深度学习》学习笔记010_卷积神经网络（Convolutional Neural Networks）
http://www.ai-start.com/dl2017/html/lesson4-week1.html卷积神经网络（Convolutional Neural Networks）计算机视觉（Computer vision）缘检测示例（Edge detection example）为什么这个可以做垂直边缘检测呢？让我们来看另外一个例子。为了讲清楚，我会用一个简单的例子。这是一个简单的6×6图像，左边的一半是10，右边一般是0。如果你把它当成一个图片，左边那部分看起来是白色的，像素值10是比较亮.
2020-11-26 21:27:26
145
原创 《吴恩达深度学习》学习笔记009_机器学习策略（2）(ML Strategy (2))
机器学习策略（2）(ML Strategy (2))进行误差分析（Carrying out error analysis）清除标注错误的数据（Cleaning up Incorrectly labeled data）亲自检查数据非常值得快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then iterate）建议你们构建一些快速而粗糙的实现，然后用来帮你找到改善系统要优先处理的方向。使用来自不同分布的数据，进行训练和测试（Training a
2020-11-26 16:46:48
77
原创 《吴恩达深度学习》学习笔记008_机器学习（ML）策略（1）（ML strategy（1））
http://www.ai-start.com/dl2017/html/lesson3-week1.html机器学习（ML）策略（1）（ML strategy（1））为什么是ML策略？（Why ML Strategy?）正交化（Orthogonalization）单一数字评估指标（Single number evaluation metric）查准率（precision）和查全率（recall）F1F_1F1分数：21P+1R\frac{2}{\frac{1}{P} + \frac{1}{.
2020-11-26 14:24:12
146
原创 《吴恩达深度学习》学习笔记007_超参数调试、Batch正则化和程序框架（Hyperparameter tuning）
超参数调试、Batch正则化和程序框架（Hyperparameter tuning）调试处理（Tuning process）关于训练深度最难的事情之一是你要处理的参数的数量，从学习速率aaa到Momentum（动量梯度下降法）的参数β\betaβ。如果使用Momentum或Adam优化算法的参数，β1\beta_{1}β1，β2{\beta}_{2}β2和ε\varepsilonε，也许你还得选择层数，也许你还得选择不同层中隐藏单元的数量，也许你还想使用学习率衰减。所以，你使用的不是单一的学习率a
2020-11-26 13:16:22
143
原创 《吴恩达深度学习》学习笔记006_优化算法 (Optimization algorithms)
http://www.ai-start.com/dl2017/html/lesson2-week2.html优化算法 (Optimization algorithms)Mini-batch 梯度下降（Mini-batch gradient descent）理解mini-batch梯度下降法（Understanding mini-batch gradient descent）指数加权平均数（Exponentially weighted averages）理解指数加权平均数（Understan.
2020-11-25 16:52:38
120
原创 《吴恩达深度学习》学习笔记005_深度学习的实践层面(Practical aspects of Deep Learning)
http://www.ai-start.com/dl2017/html/lesson2-week1.html深度学习的实践层面(Practical aspects of Deep Learning)训练，验证，测试集（Train / Dev / Test sets）偏差，方差（Bias /Variance）机器学习基础（Basic Recipe for Machine Learning）正则化（Regularization）为什么正则化有利于预防过拟合呢？（Why regularizatio.
2020-11-25 15:13:42
87
原创 深度学习之反向传播算法的直观理解
深度学习之反向传播算法的直观理解如何直观地解释 backpropagation 算法？https://www.zhihu.com/question/27239198BackPropagation算法是多层神经网络的训练中举足轻重的算法。简单的理解，它的确就是复合函数的链式法则，但其在实际运算中的意义比链式法则要大的多。要回答题主这个问题“如何直观的解释back propagation算法？” 需要先直观理解多层神经网络的训练。机器学习可以看做是数理统计的一个应用，在数理统计中一个常见的任务就是拟
2020-11-25 14:06:27
791
原创 《吴恩达深度学习》学习笔记004_深层神经网络(Deep Neural Networks)
http://www.ai-start.com/dl2017/html/lesson1-week4.html深层神经网络(Deep Neural Networks)深层神经网络（Deep L-layer neural network）前向传播和反向传播（Forward and backward propagation）深层网络中的前向传播（Forward propagation in a Deep Network）核对矩阵的维数（Getting your matrix dimensions r.
2020-11-24 15:52:00
144
原创 《吴恩达深度学习》学习笔记003_浅层神经网络(Shallow neural networks)
浅层神经网络(Shallow neural networks)神经网络概述（Neural Network Overview）神经网络的表示（Neural Network Representation）计算一个神经网络的输出（Computing a Neural Network’s output）多样本向量化（Vectorizing across multiple examples）向量化实现的解释（Justification for vectorized implementation）激活函数（
2020-11-24 15:24:22
200
原创 《吴恩达深度学习》学习笔记002_神经网络的编程基础(Basics of Neural Network programming)
http://www.ai-start.com/dl2017/html/lesson1-week2.html神经网络的编程基础(Basics of Neural Network programming)二分类(Binary Classification)我们来看看一张图片在计算机中是如何表示的，为了保存一张图片，需要保存三个矩阵，它们分别对应图片中的红、绿、蓝三种颜色通道，如果你的图片大小为64x64像素，那么你就有三个规模为64x64的矩阵，分别对应图片中红、绿、蓝三种像素的强度值。为了便于表示.
2020-11-23 20:21:18
220
原创 《吴恩达深度学习》学习笔记001_深度学习引言(Introduction to Deep Learning)
http://www.ai-start.com/dl2017/深度学习引言(Introduction to Deep Learning)卷积神经网络（CNN）循环神经网络（RNN）全称是长短期记忆网络（LSTM）自然语言处理（NLP）于图像应用，我们经常在神经网络上使用卷积（Convolutional Neural Network），通常缩写为CNN。对于序列数据，例如音频，有一个时间组件，随着时间的推移，音频被播放出来，所以音频是最自然的表现。作为一维时间序列（两种英文说法one-dime.
2020-11-23 13:37:03
124
原创 《吴恩达机器学习》学习笔记009_异常检测、大规模机器学习
http://www.ai-start.com/ml2014/html/week10.html异常检测(Anomaly Detection)大规模机器学习(Large Scale Machine Learning)随机梯度下降法小批量梯度下降随机梯度下降收敛滑动窗口
2020-11-23 13:16:32
67
原创 《吴恩达机器学习》学习笔记008_聚类(Clustering)
http://www.ai-start.com/ml2014/html/week8.html聚类(Clustering)K-Means聚类用μ1μ^1μ1,μ2μ^2μ2,…,μkμ^kμk 来表示聚类中心，用c(1)c^{(1)}c(1),c(2)c^{(2)}c(2),…,c(m)c^{(m)}c(m)来存储与第iii个实例数据最近的聚类中心的索引，K-均值算法的伪代码如下：Repeat {for i = 1 to mc(i) := index (form 1 to K) of cl.
2020-11-22 14:54:14
154
原创 《吴恩达机器学习》学习笔记007_支持向量机
http://www.ai-start.com/ml2014/html/week7.html支持向量机(Support Vector Machines)优化目标大边界的直观理解这是我的支持向量机模型的代价函数，在左边这里我画出了关于zzz的代价函数cost1(z){\cos}t_1{(z)}cost1(z)，此函数用于正样本，而在右边这里我画出了关于zzz的代价函数cost0(z){\cos}t_0{(z)}cost0(z)，横轴表示zzz，现在让我们考虑一下，最小化这些代价函.
2020-11-22 14:17:50
235
原创 《吴恩达机器学习》学习笔记006_应用机器学习的建议和机器学习系统的设计
http://www.ai-start.com/ml2014/html/week6.html应用机器学习的建议(Advice for Applying Machine Learning)决定下一步做什么1、获得更多的训练样本——通常是有效的，但代价较大，下面的方法也可能有效，可考虑先采用下面的几种方法。2、尝试减少特征的数量3、尝试获得更多的特征4、尝试增加多项式特征5、尝试减少正则化程度λ\lambdaλ6、尝试增加正则化程度λ\lambdaλ评估一个假设为了检验算法是否过拟合，我.
2020-11-21 14:20:25
63
原创 《吴恩达机器学习》学习笔记005_神经网络学习
神经网络的学习(Neural Networks: Learning)代价函数首先引入一些便于稍后讨论的新标记方法：假设神经网络的训练样本有mmm个，每个包含一组输入xxx和一组输出信号yyy，LLL表示神经网络层数，SIS_ISI表示每层的neuron个数(SlS_lSl表示输出层神经元个数)，SLS_LSL代表最后一层中处理单元的个数。将神经网络的分类定义为两种情况：二类分类和多类分类，二类分类：SL=0,y=0,or,1S_L=0, y=0, or, 1SL=0,y=0,or,1表示哪
2020-11-20 16:03:03
159
原创 《吴恩达机器学习》学习笔记004_神经网络
http://www.ai-start.com/ml2014/html/week4.html神经网络：表述(Neural Networks: Representation)非线性假设假使我们采用的都是50x50像素的小图片，并且我们将所有的像素视为特征，则会有 2500个特征，如果我们要进一步将两两特征组合构成一个多项式模型，则会有约25002/2{{2500}^{2}}/225002/2个（接近3百万个）特征。普通的逻辑回归模型，不能有效地处理这么多的特征，这时候我们需要神经网络。当数据的特.
2020-11-20 14:32:41
84
原创 《吴恩达机器学习》学习笔记003_逻辑回归、正则化
http://www.ai-start.com/ml2014/html/week3.html逻辑回归(Logistic Regression)分类问题如果我们要用线性回归算法来解决一个分类问题，对于分类， yyy 取值为 0 或者1，但如果你使用的是线性回归，那么假设函数的输出值可能远大于 1，或者远小于0，即使所有训练样本的标签 yyy 都等于 0 或 1。尽管我们知道标签应该取值0 或者1，但是如果算法得到的值远大于1或者远小于0的话，就会感觉很奇怪。所以我们在接下来的要研究的算法就叫做逻辑回.
2020-11-20 13:55:52
102
原创 《吴恩达机器学习》学习笔记002_多变量线性回归
http://www.ai-start.com/ml2014/html/week2.html多变量线性回归(Linear Regression with Multiple Variables)多维特征目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,...,xn)\left( {x_{1}},{x_{2}},...,{x_{n}} \right)(x1,x2,...,xn)。增添更多特征.
2020-11-20 10:09:07
120
原创 《吴恩达机器学习》学习笔记001_引言、单变量线性回归、线性代数回顾
https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes引言机器学习是什么？由Tom Mitchell提出，来自卡内基梅隆大学，Tom定义的机器学习是，一个好的学习问题定义如下，他说，一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升。我认为经验E 就是程序上万次的自我练习的经验，而任务T 就是下棋。性能度量值P呢，就是它在与一些新的对手比赛时，赢得比赛的概率。监督学习.
2020-11-19 21:01:10
104
原创 用Keras实现MNIST手写数字识别（使用CNN:卷积神经网络）
https://github.com/jelly-lemon/keras_mnist_0112用Keras实现MNIST手写数字识别MNIST手写数字数据集介绍MNIST手写数字数据集来自美国国家标准与技术研究所，National Institute of Standards and Technology (NIST)。 训练集 (training set) 由来自 250 个不同人手写的数字构成，其中50%是高中学生，50% 来自人口普查局 (the Census Bureau) 的工作人员。测.
2020-11-19 11:24:18
2814
5
原创 用Keras实现MNIST手写数字识别（使用MLP:多层感知机）
https://github.com/jelly-lemon/keras_mnist_0112用Keras实现MNIST手写数字识别MNIST手写数字数据集介绍MNIST手写数字数据集来自美国国家标准与技术研究所，National Institute of Standards and Technology (NIST)。 训练集 (training set) 由来自 250 个不同人手写的数字构成，其中50%是高中学生，50% 来自人口普查局 (the Census Bureau) 的工作人员。测.
2020-11-19 10:45:31
1128
原创 Python3语法学习笔记marker
List（列表）List（列表） 是 Python 中使用最频繁的数据类型。列表可以完成大多数集合类的数据结构实现。列表中元素的类型可以不相同，它支持数字，字符串甚至可以包含列表（所谓嵌套）。列表是写在方括号 [] 之间、用逗号分隔开的元素列表。和字符串一样，列表同样可以被索引和截取，列表被截取后返回一个包含所需元素的新列表。列表截取的语法格式如下：变量[头下标:尾下标]索引值以 0 为开始值，-1 为从末尾的开始位置。#!/usr/bin/python3list = [ 'abcd'
2020-11-16 20:56:51
589
原创 Java中的多线程学习笔记005：线程的状态
https://www.bilibili.com/video/BV1V4411p7EF?p=11线程的状态线程的方法package com.stark.study001;/** * 测试线程stop * 1、建议线程正常停止-->利用次数，不建议死循环 * 2、建议使用标志位-->设置一个标志位 * 3、不要使用stop或者destroy等过时或者JDK不建议使用的方法 * **/public class TestStop implements Runnable {.
2020-11-11 17:01:41
68
原创 Java中的多线程学习笔记004：Lambda表达式和函数式接口
Lambda表达式和函数式接口Functional Interface(函数式接口)：1、任何接口，如果只包含唯一一个抽象方法，那么它就是一个函数式接口。public interface Runnable{ public abstract void run();}2、对于函数式接口，我们可以通过lambda表达式来创建接口的对象。函数式接口简化过程package com.stark.study001;public class TestLambda001 { //3、静态内部类
2020-11-11 16:22:52
83
原创 《On Java 8》读书笔记014_流式编程
https://github.com/LingCoder/OnJava8流式编程// streams/Randoms.javaimport java.util.*;public class Randoms { public static void main(String[] args) { new Random(47) .ints(5, 20) .distinct() .limit(7) .
2020-11-11 11:37:42
118
原创 《On Java 8》读书笔记013_函数式编程
https://github.com/LingCoder/OnJava8函数式编程函数式编程（FP）的意义所在。通过合并现有代码来生成新功能而不是从头开始编写所有内容，我们可以更快地获得更可靠的代码。至少在某些情况下，这套理论似乎很有用。在这一过程中，函数式语言已经产生了优雅的语法，这些语法对于非函数式语言也适用。新旧对比...
2020-11-11 10:29:29
57
原创 《On Java 8》读书笔记012_集合
https://github.com/LingCoder/OnJava8集合java.util 库提供了一套相当完整的集合类（collection classes）来解决这个问题，其中基本的类型有 List 、 Set 、 Queue 和 Map。这些类型也被称作容器类（container classes），但我将使用Java类库使用的术语。集合提供了完善的方法来保存对象，可以使用这些工具来解决大量的问题。泛型和类型安全的集合使用 Java 5 之前的集合的一个主要问题是编译器允许你向集合中插入.
2020-11-10 16:33:27
106
原创 《On Java 8》读书笔记011_内部类
https://github.com/LingCoder/OnJava8内部类一个定义在另一个类中的类，叫作内部类。// innerclasses/Parcel2.java// Returning a reference to an inner classpublic class Parcel2 { class Contents { private int i = 11; public int value() { return i; } }.
2020-11-09 17:00:34
57
原创 《On Java 8》读书笔记010_接口
https://github.com/LingCoder/OnJava8接口抽象类和方法抽象方法：abstract void f();包含抽象方法的类叫做抽象类。如果一个类包含一个或多个抽象方法，那么类本身也必须限定为抽象的，否则，编译器会报错。// interface/Basic.javaabstract class Basic { abstract void unimplemented();}可以将一个不包含任何抽象方法的类指明为 abstract，在类中的抽象方法没.
2020-11-09 09:35:21
184
原创 《On Java 8》读书笔记009_多态
多态多态提供了另一个维度的接口与实现分离，以解耦做什么和怎么做。封装通过合并特征和行为来创建新的数据类型。隐藏实现通过将细节私有化把接口与实现分离。这种类型的组织机制对于有面向过程编程背景的人来说，更容易理解。而多态是消除类型之间的耦合。在上一章中，继承允许把一个对象视为它本身的类型或它的基类类型。这样就能把很多派生自一个基类的类型当作同一类型处理，因而一段代码就可以无差别地运行在所有不同的类型上了。多态方法调用允许一种类型表现出与相似类型的区别，只要这些类型派生自一个基类。这种区别是当你通过基类调用时
2020-11-06 15:35:39
119
原创 《On Java 8》读书笔记008_复用
https://github.com/LingCoder/OnJava8复用组合和继承1、组合编译器不会为每个引用创建一个默认对象，这是有意义的，因为在许多情况下，这会导致不必要的开销。初始化引用有四种方法:当对象被定义时。这意味着它们总是在调用构造函数之前初始化。在该类的构造函数中。在实际使用对象之前。这通常称为延迟初始化。在对象创建开销大且不需要每次都创建对象的情况下，它可以减少开销。使用实例初始化。以上四种实例创建的方法例子在这：// reuse/Bath.java// (c.
2020-10-22 20:35:55
161
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人