2017年08月_HappyAngel19921027

转载 C++

常见C++面试题及基本知识点总结标签： C++面试题C++基本知识点2016-10-17 14:03 510人阅读评论(0) 收藏举报分类：c++基础温习（6）目录(?)[+]文章出处：http://www.cnblogs.com/LUO77/p/5771237.html1. 结构体和共同体的区别。

2017-08-30 22:53:34 226

转载图像算法

图像基础知识：1. 常用的图像空间。2. 简述你熟悉的聚类算法并说明其优缺点。3. 请描述以下任一概念：SIFT/SURF LDA/PCA4. 请说出使用过的分类器和实现原理。5. Random Forest的随机性表现在哪里。6. Graph-cut的基本原理和应用。7. GMM的基本原理和应用。8. 用具体算法举例说明监督学习和

2017-08-29 23:03:56 689

转载 SURF 与 SIFT

转载▼[转载]SURF 与 SIFT共同点：SIFT/SURF为了实现不同图像中相同场景的匹配，主要包括三个步骤：1、尺度空间的建立；2、特征点的提取；3、利用特征点周围邻域的信息生成特征描述子4、特征点匹配。从博客上看到一片文章，http://blog.csdn.net/cy513/archi

2017-08-29 22:16:21 353

转载图像处理图像平滑、滤波、卷积

1.图像卷积（模板）(1).使用模板处理图像相关概念：模板：矩阵方块，其数学含义是一种卷积运算。卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个像素分别于卷积核(权矩阵)的每个元素对应相乘，所有乘积之和作为区域中心像素的新值。卷积核：卷积时使用到的权用一个矩阵表示，该矩阵是一个权矩阵。卷积

2017-08-29 18:01:46 1270

转载 SVM防止过拟合

过拟合（Overfitting）表现为在训练数据上模型的预测很准，在未知数据上预测很差。过拟合主要是因为训练数据中的异常点，这些点严重偏离正常位置。我们知道，决定SVM最优分类超平面的恰恰是那些占少数的支持向量，如果支持向量中碰巧存在异常点，那么我们傻傻地让SVM去拟合这样的数据，最后的超平面就不是最优的。如图1所示，深红色线表示我们希望训练得到的最优分类超平面，黑色虚线表示由于过拟合得到

2017-08-28 22:27:37 4700

转载优化方法总结(BGD,SGD,Momentum,AdaGrad,RMSProp,Adam)

本文介绍常见的一阶数值优化算法，这些方法在现代神经网络框架(tensorflow, caffe, torch)中已经是标准配置。问题设系统参数为ω。对于样本i，其代价函数为Qi(ω)。在n个样本组成的训练集上，其整体代价函数为： Q(ω)=∑i=1nQi(ω)要求ω使得上式最小，由于没有闭式解，需要通过近似迭代逐步逼近。基础一阶优化GDG

2017-08-26 18:39:06 1657

转载 word2vec

简介Word2vec 是 Google 在 2013 年年中开源的一款将词表征为实数值向量的高效工具, 其利用深度学习的思想，可以通过训练，把对文本内容的处理简化为 K 维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。Word2vec输出的词向量可以被用来做很多 NLP 相关的工作，比如聚类、找同义词、词性分析等等。如果换个思路，把词当做特征，那么Word2v

2017-08-26 18:13:42 164

转载 LIBSVM和LIBLINEAR的优化

前面介绍了LIBSVM和LIBLINEAR的优化算法，下面简单总结一下不同算法的应用场景吧：所有线性问题都是用LIBLINEAR，而不要使用LIBSVM。LIBSVM中的不同算法，如C-SVM和nu-SVM在模型和求解上并没有本质的区别，只是做了一个参数的变换，所以选择自己习惯的就好。LIBLINEAR的优化算法主要分为两大类，即求解原问题(primal problem)和对偶

2017-08-20 22:05:49 618

转载 Deep Learning

目录：一、概述二、背景三、人脑视觉机理四、关于特征4.1、特征表示的粒度4.2、初级（浅层）特征表示4.3、结构性特征表示4.4、需要有多少个特征？五、Deep Learning的基本思想六、浅层学习（Shallow Learning）和深度学习（Deep Learning）七、Deep learn

2017-08-20 21:59:35 339

转载 SVM与LR的区别

在大大小小的面试过程中，多次被问及这个问题：“请说一下逻辑回归（LR）和支持向量机（SVM）之间的相同点和不同点”。第一次被问到这个问题的时候，含含糊糊地说了一些，大多不在点子上，后来被问得多了，慢慢也就理解得更清楚了，所以现在整理一下，希望对以后面试机器学习方向的同学有所帮助（至少可以瞎扯几句，而不至于哑口无言ha(*＾-＾*)）。（1）为什么将LR和SVM放在一起来进行比较？回答这个问题

2017-08-20 21:48:23 658

u010398562的博客