![](https://img-blog.csdnimg.cn/20190927151124774.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
不学算法
文章平均质量分 63
一些简单AI领域的算法
是雨玮a
如何在只认识猫,不认识虎的情况下,区分猫群中小老虎?
展开
-
模型的评估与选择
模型的评估与选择经验误差与过拟合错误率&误差过拟合欠拟合评估方法留出法交叉验证(cross-Validation)自助法性能度量均方误差错误率与精度ROC与AUC经验误差与过拟合错误率&误差错误率:错分样本的占比E=a/m误差:样本真实输出与预测输出的差异训练(经验)误差:训练集上测试误差:测试集泛化误差:除训练集外所有样本基于python的参考代码见最后由于试先不知道新样本的特征,只能努力使训练误差最小化;但是并不意味着在训练集上错误率越低则模型性能越好,因为我们追求的使原创 2021-04-11 20:02:09 · 401 阅读 · 0 评论 -
相机标定总结
相机标定摄像机标定是从世界坐标系转换为相机坐标系,再由相机坐标系转换为图像坐标系的过程,也就是求最终的投影矩阵P的过程。世界坐标系:用户定义的三维世界的坐标系,为了描述目标物在真实世界里的位置而被引入。单位为m。相机坐标系:在相机上建立的坐标系,为了从相机的角度描述物体位置而定义,作为沟通世界坐标系和图像/像素坐标系的中间一环。单位为m。图像坐标系:为了描述成像过程中物体从相机坐标系到图像坐标系的投影透射关系而引入,方便进一步得到像素坐标系下的坐标。 单位为m。像素坐标系:描述物体成像后的像点在数原创 2021-12-08 10:37:15 · 1566 阅读 · 0 评论 -
人工图像特征
人工图像特征(局部/全局)一、全局图像特征全局图像特征是指能表示整幅图像上的特征,全局特征是相对于图像局部特征而言的,用于描述图像或目标的颜色和形状等整体特征。全局特征是指图像的整体属性,常见的全局特征包括颜色特征、纹理特征和形状特征,比如强度直方图等。由于是像素级的低层可视特征,因此,全局特征具有良好的不变性、计算简单、表示直观等特点,但特征维数高、计算量大是其致命弱点。此外,全局特征描述不适用于图像混叠和有遮挡的情况。1、颜色特征颜色是图像的主要视觉性质之一,在人们对图像的印象中,颜色占有很大的原创 2021-12-07 11:20:26 · 1322 阅读 · 1 评论 -
旋转矩阵计算欧拉角
旋转矩阵计算欧拉角绕X,Y,Z轴旋转α,β,γ角度,其中每次旋转对应得旋转矩阵为:三个轴x,y,z的欧拉角分别为α,β,γ,正弦值、余弦值分别sx,cx,sy,cy,sz,cz原创 2021-12-08 10:35:26 · 2826 阅读 · 1 评论 -
卷积神经网络基础
卷积神经网络基础一、互相关运算和卷积运算卷积层是一种误称,因为表达的操作更准确地描述为相互关联。基于对卷积层的描述,在这样的层中,一个输入张量和一个核张量通过一个(互相关操作)组合起来产生一个输出张量。现在先忽略通道,看看它是如何处理二维数据和隐藏表示的。对输入是一个高度为3,宽度为3的二维张量。将张量的形状标记为3×3或(3,3)。核的高和宽都是2。内核窗口(或卷积窗口)的形状由内核的高度和宽度给出(这里是2×2)。在二维互相关操作中,从位于输入张量左上角的卷积窗口开始,并将其从左到右和从上到下滑原创 2021-11-30 22:14:25 · 2355 阅读 · 0 评论 -
神经网络VGG风格迁移
风格迁移1、从VGG网络中提取出图像第 3,5,7,11,13层特征def extract_features(X):contents = []for i in range(len(net)):X = netiif i in [3,5,7,11,13]:contents.append(X)return contents2、forward函数的构建方式及理由在风格转换中,合成图像是训练过程中唯一需要更新的变量。 因此可以定义模型SynthesizedImage,并将合成的图像作为模型参数。由原创 2021-11-30 22:10:44 · 2729 阅读 · 0 评论 -
神经网络初始化
Xavier初始化条件:正向传播时,激活值的方差保持不变;反向传播时,关于状态值的梯度的方差保持不变。使用:考虑到前向过程和反向过程,使用fan_in和fan_out的平均十进行归一化,权重从如下高斯分布中采样:因为均匀分布的方差和分布范围的关系为:因为Xavier的推导过程是基于几个假设的,其中一个是激活函数是线性的。这并不适用于ReLU激活函数。另一个是激活值关于0对称,这个不适用于sigmoid函数和ReLU函数。He初始化:条件:正向传播时,状态值的方差保持不变;反向传播时,关于激原创 2021-11-30 22:09:08 · 455 阅读 · 0 评论 -
2-D的感知机的VC维度是3
1.增长函数增长函数表示假设空间H对m个示例所能赋予标记的最大可能结果数。比如说现在数据集有两个数据点,考虑一种二分类的情况,可以将其分类成A或者B,则可能的值有:AA、AB、BA和BB,所以这里增长函数的值为4. 增长函数值越大则假设空间H的表示能力越强,复杂度也越高,学习任务的适应能力越强。不过尽管H中可以有无穷多的假设h,但是增长函数却不是无穷大的:对于m个示例的数据集,最多只能有2m个标记结果,而且很多情况下也达不到2m的情况。2.对分对于二分类问题来说,H中的假设对D中m个示例赋予标记的每原创 2021-11-30 22:06:25 · 355 阅读 · 0 评论 -
python--基于三层神经网络实现手写数字分类
基于三层神经网络实现手写数字分类源码及数据集背景知识神经网络的组成全连接层激活函数层Softmax激活层神经网络训练精度评估实验内容源码及数据集https://download.csdn.net/download/qq_46102127/15020486背景知识(关于公式的证明即如何求矩阵偏导,可以查看这篇博客:https://blog.csdn.net/lirika_777/article/details/79646453)神经网络的组成一个完整的神经网络通常由多个基本的网络层堆叠而成。本实原创 2021-02-03 22:06:11 · 6694 阅读 · 10 评论