2017年06月_SusanZhang1231

08月 07月 06月

原创学习笔记：生成对抗网络（Generative Adversarial Nets）(附代码)

同时训练两个模型：（1）生成模型G，不断捕捉训练库里真是图片的概率分布，将输入的随机噪声转变成新的样本（即假数据），使其像是一个真的图片。（2）判别模型D，用来估计一个样本来自训练数据的概率，即它可以同时观察真是和假造的数据，并判断这个数据的真假（这个数据是不是从数据集中获取的图片）。在训练的过程中让两个网络互相竞争。刚开始的时候这两个模型均未经过训练，然后生成模型产生一张假数据欺骗判别模型，判别模

2017-06-22 14:52:56 5912

原创迹，最大平均差异，核函数等基本概念理解

迹，tied-weights,最大平均差异，核函数，正则化

2017-06-20 11:09:11 3490

原创域适应学习笔记：visual Domain Adaptation

在迁移学习中，当源域和目标的数据分布不同，但两个任务相同时，这种特殊的迁移学习叫做域适应（Domain Adaptation，DA ）。因为其任务相同，所以根据上篇博客中的内容可知，域适应属于一种直推式迁移学习。它在2006年由Daumeaume等人首次提出[1]。 1.域适应的一些基本公式源域由充足的带标签数据组成，目标域由不充足的带标签数据或者充足的无标签数据组成。且目标域

2017-06-15 10:04:31 6617

原创迁移学习基础

读A survey on Transfer Learning后的一些想法，仅供参考，若有错误还希望与大家多多交流。1.什么时候需要进行迁移学习：目前大多数机器学习算法均是假设训练数据以及测试数据的特征分布相同。然而这在现实世界中却时常不可行。例如我们我们要对一个任务进行分类，但是此任务中数据不充足（在迁移学习中也被称为目标域），然而却又大量的相关的训练数据（在迁移学习中也被称为源域），但是此训练数据

2017-06-14 16:50:23 39030 1