2016年12月_Matrix_11

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

原创 2016 年度读书总结

2016 年度读书总结《万历十五年》黄仁宇先生最有名的一部作品，也是研究明史的一部经典之作，时隔多年，重读这部作品，感受已然不同，个人评分四星半。《九州缥缈录》江南同学创造的九州世界，曾经让多少人热血沸腾，陪伴了一代人的青春，可惜我看的时候，青春已经远去，不过对于这种非凡的想象力与故事架构的技巧还是非常欣赏，虽然故事的最后是一个永远没有填满的大坑，但阅读的时候还是觉得蛮舒服的，个人评分四星

2016-12-31 08:55:22 2033 2

原创机器学习: Viola-Jones 人脸检测算法解析(二)

上一篇博客里，我们介绍了VJ人脸检测算法的特征，就是基于积分图像的矩形特征，这些矩形特征也被称为Haar like features, 通常来说，一张图像会生成一个远远高于图像维度的特征集，比如一个 24×2424 \times 24 的图像，会生成162336个矩形特征。在实时的人脸检测应用中，不可能把所有的特征都用上，所有需要做特征选择，这篇博客里，我们将要介绍AdaBoost的训练方法和基于A

2016-12-28 14:56:09 9088

原创机器学习: Viola-Jones 人脸检测算法解析(一)

在计算机视觉领域中，人脸检测或者物体检测一直是一个非常受关注的领域，而在人脸检测中，Viola-Jones人脸检测算法可以说是非常经典的一个算法，所有从事人脸检测研究的人，都会熟悉了解这个算法，Viola-Jones算法在2001年的CVPR上提出，因为其高效而快速的检测即使到现在也依然被广泛使用，OpenCV 和 Matlab中都将这个算法写进了函数库可以很方便的直接调用。虽然VJ人脸检测算法最

2016-12-25 10:27:25 28359 3

原创机器学习: TensorFlow with MLP 笑脸识别

Tensor Flow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。这是谷歌开源的一个强大的做深度学习的软件库，提供了C++ 和 Python 接口，下面给出用Tensor Flow 建立MLP 网络做笑脸识别的一个简单用例。这个用例可以帮助

2016-12-10 11:50:15 2528

翻译机器学习: Python with Recurrent Neural Network

之前我们介绍了Recurrent neural network (RNN) 的原理:http://blog.csdn.net/matrix_space/article/details/53374040http://blog.csdn.net/matrix_space/article/details/53376870　　这里，我们构建一个简单的RNN网络，激励函数我们用sigmoid 函数，利用这个网

2016-12-06 14:31:14 1085

翻译机器学习：DeepDreaming with TensorFlow (三)

我们看到，利用TensorFlow 和训练好的Googlenet 可以生成多尺度的pattern，那些pattern看起来比起单一通道的pattern你要更好，但是有一个问题就是多尺度的pattern里高频分量太多，显得图像的噪点很多，为了解决这个问题，可以进一步的引入一个先验平滑函数，这样每次迭代的时候可以对图像进行模糊，去除高频分量，这样一般来说需要更多的迭代次数，另一种方式就是每次迭代中增强低

2016-12-01 13:29:18 2455

翻译机器学习：DeepDreaming with TensorFlow (二)

在前面一篇博客里，我们介绍了利用TensorFlow 和训练好的 Googlenet 来生成简单的单一通道的pattern，接下来，我们要进一步生成更为有趣的一些pattern，之前的简单的pattern都是基于单一通道，单一尺度的，现在我们来试试多尺度下生成的pattern# 这部分代码和之前单一通道的一样# boilerplate codefrom __future__ import pri

2016-12-01 11:43:43 1584

翻译机器学习: DeepDreaming with TensorFlow (一)

在TensorFlow 的官网上，有一个很有趣的教程，就是用 TensorFlow 以及训练好的深度卷积神经(GoogleNet)网络去生成一些有趣的pattern，通过这些pattern，可以更加深入的去了解神经网络到底学到了什么，这个教程有四个主要部分： 1：简单的单通道纹理pattern的生成； 2：利用tiled computation 生成高分辨率图像； 3：利用 Laplacia

2016-12-01 10:30:49 2571