关注
分享
文章平均质量分 65
CS231n是Stanford的图像处理课程，主要专注于使用深度学习方法解决图像分类问题，后期也涉及到自然语言处理、强化学习相关的内容。本专栏为博主学习CS231n过程中的课程笔记和作业笔记。
silent56_th
大学生一枚，对机器学习、图像处理感兴趣，偶尔也会刷刷leetcode或者hihocoder。希望在这里可以和大家多多交流，互相学习。
展开
-
CS231n课程笔记1：Introduction
CS231n课程简介CS231n是Stanford的CV课程，主要专注于解决图像分类问题。网址为 http://vision.stanford.edu/teaching/cs231n/index.html，视频网上有很多。 作者水平不高，这里也仅仅是自己的课程笔记与大家分享，记录一些课程中的重要知识点，欢迎各路大神指教。从作者收到的风评来看，这门课的水准不高，但因为最近要自己设计训练CNN模型，所原创 2016-12-11 22:43:30 · 2243 阅读 · 0 评论 -
CS231n课程笔记2.1：图像分类问题简介&KNN
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记1. 图像分类问题简介a. API: input image, output labelb. 难点:i.illumination （光强）ii. deformation （变形）iii. occlusion （遮挡）iv. background cl原创 2016-12-12 15:16:55 · 703 阅读 · 0 评论 -
CS231n课程笔记2.2：线性分类器
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记这篇是CS231n课程笔记2.1：图像分类问题简介&KNN的下篇，两篇一起构成Lecture2的笔记。 上一篇介绍了kNN，那个是无参数的算法，只需要记录训练集即可，所以对于大数据集，kNN的模型很大。 这里先简介线性分类器，线性体现在score的获原创 2016-12-13 22:13:09 · 504 阅读 · 0 评论 -
CS231n课程笔记3.1：线性分类器（SVM，softmax）的误差函数、正则化
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记这篇是线性分类器的第二部分，回忆线性分类器的线性体现在score的获得，即score = Wx+b，然后predict_label = argmax(score)。具体细节以及关于线性分类器的解释请参考CS231n课程笔记2.2：线性分类器。 如果不考原创 2016-12-15 01:13:34 · 2199 阅读 · 0 评论 -
CS231n课程笔记3.2：梯度下降
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记上一篇 CS231n课程笔记3.1：线性分类器（SVM，softmax）的误差函数、正则化介绍了线性分类器的最后优化的目标函数，这节介绍优化方法：梯度下降。梯度下降不仅可以用于解线性分类器，还可以用于优化任意目标函数，得到局部最优解，只是因为线性分类器+原创 2016-12-16 16:52:41 · 726 阅读 · 0 评论 -
CS231n作业笔记1.1: KNN中的距离矩阵vectorize的实现方法（无循环）
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。作业笔记KNN部分主要关注与距离矩阵的计算。输入是X_test[test_num,D], X_train[train_num,D]，其中D为特征维度，train_num、test_num分别是训练集以及测试机大小。返回dist[test_num,train_nu原创 2016-12-17 00:13:40 · 2422 阅读 · 1 评论 -
CS231n作业笔记1.2: KNN的交叉验证
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。作业笔记关于KNN的实现详见 CS231n作业笔记1.1: KNN中的距离矩阵vectorize的实现方法（无循环）。1. 切分训练集np.split函数用于切分训练集，注意必须是等分，而且返回list类型。 X_train_folds = np.array(原创 2016-12-17 21:50:02 · 2274 阅读 · 0 评论 -
CS231n作业笔记1.3：SVM的误差函数以及反向传播（非向量及向量算法）
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。作业笔记SVM的Loss Function请参考 CS231n课程笔记3.1：线性分类器（SVM，softmax）的误差函数、正则化。1. 非向量的误差计算这部分属于作业自带部分，使用loop计算，如果margin大于0，就叠加，最后加入正则项。2. 非向量的梯原创 2016-12-19 01:07:14 · 3059 阅读 · 0 评论 -
CS231n作业笔记1.4：随机梯度下降（SGD）
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记1. 随机梯度下降这部分是对SVM模型进行随机梯度下降，求取近似最优解。关于随机梯度下降的知识请参考CS231n课程笔记3.2：梯度下降，关于SVM的误差以及梯度计算请参考 CS231n作业笔记1.3：SVM的误差函数以及反向传播（非向量及向量算法）。 实践部分原创 2016-12-19 18:40:21 · 1637 阅读 · 0 评论 -
CS231n课程笔记4.1：反向传播BP
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程作业关于BP实现的实例请参考 CS231n作业笔记1.3：SVM的误差函数以及反向传播（非向量及向量算法）。1. 计算图 VS 微积分如果可以直接使用微积分得到gradient，使用BP则会显得效率低下。但是通常情况下我们需要计算多层的神经网络，其中设计很多原创 2016-12-19 21:03:19 · 1929 阅读 · 0 评论 -
CS231n作业笔记1.5：Softmax的误差以及梯度计算
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记Softmax的误差函数以及正则项请参考 CS231n课程笔记3.1：线性分类器（SVM，softmax）的误差函数、正则化。 代码部分请参考 python、numpy、scipy、matplotlib的一些小技巧。 注：这里只写了向量化的实现方法，因为非向量原创 2016-12-20 17:35:25 · 2317 阅读 · 0 评论 -
CS231n作业笔记1.6：神经网络的误差与梯度计算
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记这里实现的是一个两层神经网络（含有一个隐层），激活函数使用的是ReLU，误差函数使用的是softmax，使用了L2正则项。1. scores计算需要注意的有 1. 最后一层不使用激活函数 2. 注意加bias的时候，使用了broadcasting，所以在反向传原创 2016-12-21 16:08:40 · 3409 阅读 · 0 评论 -
CS231n课程笔记4.2：神经网络结构
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记关于神经网络的实现请参考： CS231n作业笔记1.6：神经网络的误差与梯度计算。1. 神经网络结构 如上图所示，两层之间都是全连接，隐层函数都是用激活函数。两层神经网络，激活函数使用ReLU的形式为scores = W2 max(0,W1*X+b1)原创 2016-12-22 19:37:12 · 542 阅读 · 0 评论 -
CS231n作业笔记1.7：基于特征的图像分类之调参
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记1. SVM的交叉验证&调参交叉验证的具体内容请参考CS231n课程笔记5.4：超参数的选择&交叉验证。 交叉验证部分的代码和SVM作业中的一模一样，详情请参考CS231n作业笔记1.4：随机梯度下降（SGD），CS231n作业笔记1.3：SVM的误差函数以及反原创 2016-12-23 18:33:01 · 2006 阅读 · 1 评论 -
CS231n课程笔记5.1：神经网络历史&激活函数比较
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记关于神经网络的简介请参考 CS231n课程笔记4.2：神经网络结构。1. 神经网络历史具有神经网络的结构，但是使用电门手动构造函数。[Frank Rosenblatt, ~1957: Perceptron；Widrow and Hoff, ~1960:原创 2016-12-24 16:43:03 · 1078 阅读 · 0 评论 -
CS231n课程笔记5.2：数据预处理&权重矩阵初始化
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记1. 数据预处理1.1. 归一化如下图所示，归一化即使得重心位于原点，方差为1。对于归一化的优点请参考CS231n课程笔记5.1：神经网络历史&激活函数比较。 1.2. PCA & 白化如下图所示，PCA是作用于原数据上的一个线性变换，使得协方差矩阵对原创 2016-12-27 15:17:49 · 1934 阅读 · 0 评论 -
CS231n作业笔记2.1：两层全连接神经网络的分层实现
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记1. 神经网络的分层实现实现全连接层+ReLU层的前向传播与后向传播。 参考资料：CS231n课程笔记4.2：神经网络结构，CS231n课程笔记4.1：反向传播BP， CS231n作业笔记1.6：神经网络的误差与梯度计算，CS231n作业笔记1.5：Softma原创 2016-12-27 18:58:47 · 5386 阅读 · 0 评论 -
CS231n作业笔记2.2：多层神经网络的实现
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记这部分就是二层神经网络的拓展，详情参考CS231n作业笔记2.1：两层全连接神经网络的分层实现。 注：这部分不包括dropout以及batch normalization。1. 初始化参数注：这次使用了normal函数，也可以使用randn函数 self.原创 2016-12-28 19:07:22 · 1281 阅读 · 0 评论 -
CS231n作业笔记2.3：优化算法Momentum, RMSProp, Adam
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记本部分实现的是Momentum，RMSProb, Adam三种优化算法，优化算法是用于从随机点出发，逐渐找到局部最优点的算法。关于各种优化算法的详细介绍，请参考CS231n课程笔记6.1：优化迭代算法之SGD,Momentum,Netsterov Momentum原创 2016-12-29 21:13:51 · 6513 阅读 · 3 评论 -
CS231n作业笔记2.4：Batchnorm的实现与使用
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记Batchnorm的思想简单易懂，实现起来也很轻松，但是却具有很多优良的性质，具体请参考课程笔记。下图简要介绍了一下Batchnorm需要完成的工作以及优点（详情请见CS231n课程笔记5.3：Batch Normalization）： 需要注意的有：最后原创 2017-01-03 21:21:48 · 9179 阅读 · 6 评论 -
CS231n作业笔记2.5：dropout的实现与应用
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记dropout中唯一需要注意的就是为了平衡train与test，通过除以期望值即可。1. 前向传播 if mode == 'train': mask = (np.random.rand(*x.shape)<p) out = x*mask / p原创 2017-01-04 13:38:14 · 2358 阅读 · 0 评论 -
CS231n作业笔记2.6：卷积层以及池化层的实现
CS231n简介详见 CS231n课程笔记1：Introduction。 本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记就是简单实现一下卷积层以及池化层，唯一的难点在于确定索引值，稍微注意一下就好。1. 卷积层1.1. 前向传播 N, C, H, W = x.shape F, C, HH, WW = w.shape stride = conv_param['stride'原创 2017-01-04 20:53:02 · 960 阅读 · 0 评论 -
CS231n课程笔记5.3：Batch Normalization
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。Batch Normalization1. 原理BN(Batch Normalization)的原理很简单，就是对于给定输入做一个减均值除方差的归一化（可以这么做的原因是上诉归一化操作可导，即可以做BP（反向传播))。当然这么做的优劣难于判断，所以后文给出了改进原创 2017-02-27 21:12:52 · 2543 阅读 · 0 评论 -
CS231n课程笔记5.4：超参数的选择&交叉验证
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。1. 超参数有哪些与超参数对应的是参数。参数是可以在模型中通过BP（反向传播）进行更新学习的参数，例如各种权值矩阵，偏移量等等。超参数是需要进行程序员自己选择的参数，无法学习获得。 常见的超参数有模型（SVM，Softmax，Multi-layer Neura原创 2017-02-28 15:23:42 · 3137 阅读 · 0 评论 -
CS231n课程笔记6.1：优化迭代算法之SGD,Momentum,Netsterov Momentum,AdaGrad,RMSprop,Adam
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。优化迭代算法写在前面：Karpathy推荐Adam作为默认算法，如果full batch的话，在去除所有噪声的情况下尝试L-BFGS（一种二阶优化算法，详情请自行搜索）。关于优化算法的实现请参考CS231n作业笔记2.3：优化算法Momentum, RMSPro原创 2017-03-02 21:47:11 · 8303 阅读 · 2 评论 -
CS231n课程笔记6.2：神经网络训练技巧之Ensemble、Dropout
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。1. EnsembleKarpathy表示：只要使用Ensemble，就可以得到2%的提升。 Ensemble就是训练多个模型，最后把各个模型的结果取均值。 详情请参考 Hinton Neural Network课程笔记10a：融合模型Ensemble, B原创 2017-03-12 16:42:24 · 3034 阅读 · 0 评论 -
CS231n课程笔记7：卷积神经网络入门
CS231n简介详见 CS231n课程笔记1：Introduction。 注：斜体字用于注明作者自己的思考，正确性未经过验证，欢迎指教。课程笔记因为卷积神经网络这个部分涉及繁多，也有不少无法用语言详细解释的细节，所以迟迟没有动笔。这次刚好帮老师做了这部分的PPT，就直接把PPT的部分转化过来，也保留了PPT的逻辑，只能说简单介绍了卷积神经网络，详细的部分会在以后的课程笔记中陆续的补充。 以下内原创 2017-03-19 19:45:54 · 1767 阅读 · 0 评论