- 博客(10)
- 资源 (14)
- 收藏
- 关注
RSS订阅原创 Keras学习笔记：Chapter2-初探Keras模型
初探Sequential模型Sequential模型就是简单的“线性”堆叠，一层接着一层的连接，可通过.add()方法将一个一个层添加至模型，例： network = Sequential() network.add(Dense(512, activation='relu', input_shape=(28*28,))) network.add(Dense(10,activation='soft
2017-10-28 11:14:21
4651
1
原创 Keras学习笔记：Chapter1-Keras入门
KerasKeras是一个高层神经网络库。Keras是由Python编写而成的，后端实现是基于Tensorflow，CNTK或Theano(Keras是一个库，可以理解为一个基于多种不同机器学习库提供相同api的库)。Keras发展的要义是：将想法快速转换实验成果，（类似Python的理念：人生苦短，我用Python），正因为这样，Keras很适合做研究使用。如果你对深度学习库有以下要求：能够快速
2017-10-24 19:31:45
4811
原创 机器学习Chapter3-(聚类分析)聚类简介
聚类简介聚类任务在实际问题中，样本大多数是无标记的，而机器学习的目的是通过对无标记训练样本的学习来揭示数据的内在性质和规律。此类方法应用最广的是“聚类”(clustering)。形式化的来说，在“无监督学习”中，聚类试图将样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”(cluster)。聚类的作用: - 作为一种探索性的方法，用于寻找数据内在特点和分布规律 - 作为分类等其他学习任务
2017-10-21 11:49:50
4311
原创 机器学习Chapter3-(聚类分析)详解高斯混合模型与EM算法(Python实现)
高斯混合聚类k-means是用原型向量来刻画聚类，高斯混合(Mixture-of-Gaussian)聚类采用概率模型来表达聚类原型。不一样参数下，高斯分布如下：对于多元高斯分布，nn维样本空间XX中的随机向量xx，概率密度函数为 p(x|μ,Σ)=1(2π)n2|Σ|12e−12(x−μ)TΣ−1(x−μ) p(x|\mu,\Sigma ) = \frac{1}{(2\pi)^{\frac{n}{
2017-10-21 10:59:11
13344
7
原创 机器学习Chapter3-(聚类分析)Python实现K-Means算法
K-Means算法给定样本集D=x1,x2,...,xmD={x_1,x_2,...,x_m},假定聚类的簇划分C=C1,C2,...,CkC={C_1,C_2,...,C_k}。k-means算法的目标是最小化平均距离： E=∑i=1k∑x∈Ci||x−μi||22E=\sum_{i=1}^k\sum_{x∈C_i}||x-\mu_i||_2^2其中μi=1|Ci|∑x∈Cix\mu_i=\fr
2017-10-21 10:36:17
4577
1
原创 论文DenseNet（Densely Connected Convolutional Networks）解读
论文地址：arxiv-paper实现代码：githubIntroductionDenseNet在ResNet的基础上(ResNet介绍)，进一步扩展网络连接，对于网络的任意一层，该层前面所有层的feature map都是这层的输入，该层的feature map是后面所有层的输入。示意图如下:原本LL层的网络有LL个连接，现在LL层的网络共有C2L+1=L(L+1)2C_{L+1}^2=\frac{L
2017-10-19 22:47:06
25645
1
原创 Object Detection -- 论文FPN(Feature Pyramid Networks for Object Detection)解读
FPNFPN(Feature Pyramid Networks)是Kaiming He男神和Rgb大神联手的又一力作。主要使用特征金字塔网络来融合多层特征，将底层和高层的特征融合，再利用融合后的特征进行分类和定位。FPN曾在COCO数据集上测试结果排名第一。原论文地址: Feature Pyramid Networks for Object DetectionIntroductionIn Comp
2017-10-15 22:06:07
1898
5
原创 Object Detection -- 论文SSD(SSD: Single Shot MultiBox Detector)解读
SSDIntroduction基于“Proposal + Classification” 的 Object Detection 的方法，R-CNN 系列取得了非常好的结果，但是在速度方面离实时引用还差的比较多。前面讲的YOLO虽然能够达到实时的效果，但是在准确度上与the-state-of-art 的结果有很大的差距。YOLO 的问题在于：每个网格只预测一个物体，容易造成漏检；对于物体的尺度相对比较
2017-10-15 21:58:18
3972
3
原创 Object Detection -- 论文YOLO2(YOLO9000:Better, Faster, Stronger)解读
YOLO2IntroductionBetterBatch NormalizationHigh Resolution ClassifierConvolutional With Anchor BoxesDimension ClustersDirect location predictionFine-Grained FeaturesMulti-Scale TrainingFaster
2017-10-11 21:47:56
5502
5
原创 Object Detection -- 论文YOLO(You Only Look Once: Unified, Real-Time Object Detection)解读
YOLORgb大神关于物体检测的新作YOLO，论文You Only Look Once: Unified, Real-Time Object Detection。Introduction对比人类的视觉系统，现存的物体检测模型:要不就是准确度不咋的(DPM速度还行，准确率很差，实用不现实)要不就是速度跟不上(Faster R-CNN 准确度还可以，3FPS的速度不能实时监测啊~)这一堆物体检测模
2017-10-11 21:36:32
7305
2
CamVid_TFrecord 用于DeepLabv3+测试
2018-07-07
ffmpeg-3.4.1.tar.bz2 Ubuntu下FFmpeg安装包
2017-12-13
instances_valminusminival2014.json.zip
2017-11-08
vgg16_weights_tf_dim_ordering_tf_kernels_notop
2017-10-26
TFTS examples
2017-08-29
MySQL-python-1.2.3.win-amd64-py2.7.py
2017-05-23
commons-beanutils-1.8.3-bin+logging.rar
2016-10-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人