timetime88的博客

原创 Ubuntu 18.04下Java环境安装与配置

官网：https://www.oracle.com/technetwork/java/index.html下载页：https://www.oracle.com/technetwork/java/javase/downloads/index.html!在这里插入图片描述点击JDK DownLoad点击Linux x64 Compressed Archive 的 xxx.ta.gz文件下载建立安装文件夹$ cd /usr$ sudo mkdir java赋予目录最高权限，避免一些奇怪的问题$

转载 Ubuntu 18.04下Java环境安装与配置

参考文章：https://www.cnblogs.com/lfri/p/10437266.htmlhttps://blog.csdn.net/qq_22999067/article/details/93089198

转载 如何理解贝叶斯公式？

如何理解贝叶斯公式？参考：https://www.zhihu.com/question/51448623

转载 ResNet详解与分析

ResNet详解与分析转载：https://www.cnblogs.com/shine-lee/p/12363488.html

转载 Ubuntu 下安装配置 VScode 的 C/C++ 开发环境

Ubuntu下安装配置 VScode 的 C/C++ 开发环境转载：https://www.jb51.net/article/186868.htm

转载 吃透空洞卷积（Dilated Convolutions）

吃透空洞卷积（Dilated Convolutions）转载：https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=2247524546&idx=2&sn=0a2f069e07f2e9e964a9d53a5a807033&chksm=ec1c8d3bdb6b042da38b1c96b2a489d388dc9e6626713ba8e1b6e911fdd82223cc6ef923737f&mpshare=1&

原创 GAN对抗生成网络

1.为什么GAN难以训练？GAN网络包含有：生成模型和判别模型两种。我们之前一直有在用判别模型，（分类、回归）都是在判别模型。而对于生成模型：往往比判别模型更加困难。就像是识别莫奈的绘画要比模仿莫奈的绘画更容易。个人理解生成模型是在创造数据，判别模型只是在处理数据。对于生成模型：GAN采用标准或均匀分布来提供噪声z，并利用深度网络生成模型G来创建图像x(x=G(z))。用一张图来表现就是如下：（类似于无中生有，但并不是完全的无中生有）在GAN中，我们增加了判别器（Discriminator）来

转载 maxpooling主要有两大作用

maxpooling主要有两大作用invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)保留主要的特征同时减少参数(降维，效果类似PCA)和计算量，防止过拟合，提高模型泛化能力(1) translation invariance：这里举一个直观的例子(数字识别)，假设有一个16x16的图片，里面有个数字1，我们需要识别出来，这个数字1可能写的偏左一点(图1)，这个数字1可能偏右一点(图2)，图1到图2相当于向右平移了一个单位，但是

原创 Batch Normalization

Batch Normalization 一．为什么需要BN？ ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200919122143879.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RpbWV0aW1l...

转载 1*1卷积核

11卷积核一、1x1卷积的作用？1改变数据维度（存储方式）因为11卷积不改变图形的大小，当对同一个特征图用数值不同的11的卷积核时，会得到到不同的输出，当同时使用多个卷积核时就可以改变模型的维度，比如，一张500 * 500且厚度100 的图片在20个卷积核上做11的卷积，那么结果的大小为50050020。2.增加模型的深度减少参数量3增加非线性通常情况下，在构建网络模型时会使用激活函数，当使用1*1的卷积核来加深了网络模型，使用的激活函数的次数就会变多，激活函数大多是非线性的（有利于分离

转载 Pytorch中的Batch Normalization操作

Pytorch中的Batch Normalization操作Batch Normalization这里只探究其具体运算过程，我们假设在网络中间经过某些卷积操作之后的输出的feature map的尺寸为4×3×2×2，4为batch的大小，3为channel的数目，2×2为feature map的长宽整个BN层的运算过程如下图上图中，batch size一共是4, 对于每一个batch的feature map的size是3×2×2，对于所有batch中的同一个channel的元素进行求均值与方差，比如上

原创 1x1卷积的作用

1x1卷积的作用转载:https://www.yuque.com/docs/share/886daf31-34df-4118-8747-0dec9b13dbf6?#

原创 标准化和归一化的区别

标准化和归一化的区别

转载 Batch normalization理解

Batch normalization理解转载：https://www.jianshu.com/p/86530a0a3935

原创 Batchnormal部分理解

转载 PYTORCH搭建MOBILENETV2

PYTORCH搭建MOBILENETV2转载：https://www.freesion.com/article/596734855/

转载 https://www.zhihu.com/question/20994432

数学期望和均值的区别，直观的理解：转载知乎：Jean同学的回答

转载 卷积核与特征提取

卷积核与特征提取转载:https://www.cnblogs.com/zongfa/p/9130167.html

转载 代码实现卷积操作

代码实现卷积操作转载：https://blog.csdn.net/qq_41398808/article/details/97925070

转载 卷积神经网络之卷积计算、作用与思想

卷积神经网络之卷积计算、作用与思想转载：https://www.cnblogs.com/shine-lee/p/9932226.html

原创 GD（梯度下降）

GD（梯度下降）一．梯度下降分类1.批量梯度下降（Batch Gradient Descent）——ＢＧＤ2.随机梯度下降（Stochastic Gradient Descent）——ＳＧＤ3.小批量梯度下降（Mini-Batch Gradient Descent）——ＭＢＧＤ下面以线性回归算法来对三种不同梯度下降法进行理解：假设线性回归函数（前向传播）：对应的损失函数（均方误差）：二．批量梯度下降（BGD）思想：每一次的参数更新都用到了所有的训练样本数据；1.损失函数对求偏导，求梯

转载 批量梯度下降(BGD)、随机梯度下降(SGD)以及小批量梯度下降(MBGD)的理解

批量梯度下降(BGD)、随机梯度下降(SGD)以及小批量梯度下降(MBGD)的理解转载：https://www.cnblogs.com/lliuye/p/9451903.html

转载 范数的理解

范数的理解转载知乎：https://zhuanlan.zhihu.com/p/26884695

转载 线性可分性、线性不可分性的定性理解

线性可分性、线性不可分性的定性理解1.线性可分是指能使用线性组合组成的超平面将两类集合分开，线性不可分则没有能将两类集合分开的超平面2.线性可分的特点：低维转高维，还能保持原来的线性可分性的特点；但是高维转低维就不能保持原来的线性可分性3.线性不可分的特点：只要是线性变化到高维或者是低维，都不能是线性可分；但是经过一次非线性变化+仿射变换后或者多次就能实现线性可分。（这里可以运用于神经网络）转载：https://www.cnblogs.com/MyUniverse/p/10147187.html

转载 机器学习识别图片的基本原理

机器学习识别图片的基本原理转载：https://www.jianshu.com/p/6b82a0cd992d

转载 图神经网络越深，表现就一定越好吗？

图神经网络越深，表现就一定越好吗？转载：https://mbd.baidu.com/newspage/data/landingsuper?context=%7B%22nid%22%3A%22news_9365138010860825390%22%7D&n_type=0&p_from=1

转载 PyTorch中网络里面的inplace=True

torch.nn.LeakyReLU(inplace=True)转载：https://www.jianshu.com/p/8385aa74e2de

转载 三种梯度下降

三种梯度下降法转载：https://www.cnblogs.com/bonelee/p/8392370.html

转载 梯度下降法的三种形式BGD、SGD以及MBGD

梯度下降法的三种形式BGD、SGD以及MBGD转载：https://www.cnblogs.com/wyuzl/p/7645602.html

转载 逻辑回归

逻辑回归转载知乎：https://zhuanlan.zhihu.com/p/74874291

转载 支持向量机（svm）数学公式解释

支持向量机（svm）数学公式解释转载：https://www.jianshu.com/p/cd5c511fd5d2

转载 支持向量机（svm）

@支持向量机(SVM)转载：https://www.jianshu.com/p/399ddcac2178欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；