一个想要改变世界的IT slave的专栏

GAN在2015年DCGAN[1]论文提出之后，开始迅速的被关注和被应用到各个领域。比较有影响力的应用，比如Image translation; Image Inpainting; Face image manipulation 以及 Semi-supervised learning等。

上一篇博文[1]简单介绍了对抗网络的理论和大概流程。其中所谓的对抗网络可以归结为unsupervised learning 或者 generative model。从无监督学习来进行feature representation,有k-means聚类算法，auto-encoders[2]，以及09年的Deep belief networks等等。

一.卷积的概念卷积是分析数学中的一种重要运算，英文convolution。需要注意的是，以下我们考虑都是离散情况下的卷积操作。从概念上说，卷积是线性情况的下的滤波处理，性滤波处理经常被称为“掩码与图像的卷积”[1]。具体的操作则是，卷积是两

神经网络简介博客主要内容神经网络框架神经网络前向传播实例神经网络反向传播实例总结引用一.神经网络简介今天，神经网络(nerual networks)已经是一个相当大的、多学科交叉的学科领域[1]。它不能用简单的用“一个算法”，“一个框架”，来总结它的内容。从早期神经元(neuron),到感知器(Perceptron),再到Bp神经网络，然后到今天的深度学习(deep learning)

博主不才，研究深度学习有一段时间，主要专注CV领域。本科期间学习了机器学习的一些算法，用SVM做的人脸识别的工作，之后又去中科院实习，用深度学习来做人脸识别。所以，从传统算法，到深度，这个过程，我是深深体会到的。单从CV领域，尤其是二维方面的工作，卷积神经网络取得的成果，让我深深感到传统算法的无力。总的来说，深度学习算法是近几年机器学习革命般的成果。举个例子，很明显的对于传统算法很困难的LFW人脸数

对抗NN简介概念介绍对抗名字的由来及对抗过程对抗NN的模型对抗NN的模型和训练判别网络D的最优值模拟学习高斯分布对抗NN实验结果《生成对抗NN》代码的安装与运行对抗网络相关论文论文引用一、对抗NN简介大牛Ian J. Goodfellow 的2014年的《Generative Adversative Nets》第一次提出了对抗网络模型，短短两年的时间，这个模型在深

关于视频资源的几个问题1.视频来自哪里？视频本题主从 youtube下载.2.视频为什么不全？2016/9/17包括了第一周的视频。以后会再次更新。视频下载地址链接：http://pan.baidu.com/s/1miJbkPq 密码：6p7u

问题介绍问题解决方法1.问题介绍之前安装caffe在Ubuntu系统下，也遇到过很多问题，但是并没有总结。昨天重装系统之后，又配置caffe，其中遇到的最大的问题就是Ubuntu源造成的问题。显而易见的是，如果源配置得好的话，然后安装caffe依赖不会出现某些棘手的问题。但是Ubuntu源并没有想象的那么稳定，或者也可能是由于本身网络的问题。2.问题解决方法(1)ubuntu配置源的总结

摘要安装微软caffe数据集准备CPU训练网络模型和solver方案训练后序优化工作1、摘要一般情况下，caffe的训练和使用都是在linux下使用的，但是特殊要求，所以要在windows下进行训练和使用。除了训练的工作之外，windows下caffe工程主要用来学习和代码阅读。2、安装caffewindows下的caffe版本，有两个。一个是某网友做的开源项目；一个是微软caffe。

问题介绍理论介绍代码介绍优化方式与实验结果问题介绍图像处理中改变亮度和对比度是很基础的需求，算法也相对简单。博主的工作是要模拟待处理视频的不同光照下的效果。博主想到的方式就是 利用Opencv读取视频的每一帧，然后进行处理成不同亮度和对比度的图像，然后在写进去。理论介绍Opencv提供了强大的图像处理算法接口，关于改变图像的亮度和对比度，也提供了官方的教程。链接如下。官方介绍一般这类工作

本文的主要内容如下。移动端的深度学习的实现方式tiny-cnn介绍以及移动端移植总结与改进应用截图一.移动端深度学习的几种实现方式(1)Caffe的移动端编译项目caffe(命令式框架)算是在国内最流行的深度学习开源框架，使用它进行商业，研究的人很多。对于移动端的实现，也有开源项目对caffe进行了移植。 项目连接如下:android-lib android-demo我认识的很多科研

添加标签的目的代码截图目的上文介绍了根据图像的大小作为坐标来绘制分布点图。老大又给了我一个任务，我绘制完，每次将图保存，发给她，但是图片中的点的坐标是不能显示了，所以她让我给每个点添加个label，而且label是该点的横纵坐标。代码import matplotlib.pyplot as pltfrom numpy.random import randimport numpyimport

Python调用Matplotlib代码绘制分布点绘制点图的目的Matplotlib简介代码截图1.绘制点图的目的 我们实验室正在做关于人脸识别的项目，其中在人脸检测后，会有些误检的图片，但是其中就有很多不符合的。很明显的是从图片大小，就可以过滤掉一部分。老大交给我的工作，就是通过绘制图片width,height的分布图，来找到一个合理的阈值。2.Matlablib简介Matplot

研究CNN有一端时间了，在VS上 对一些深度学习框架进行学习，训练，主要以人脸为主(下一篇将要介绍CNN用于人脸识别) 、车标等等。一般情况下，深度CNN对于目标识别都需要前期的大量的数据进行训练，少则几千，多则几十万，庞大的数据以及实时性要求对于平台的性能要求是很高的，一般的移动嵌入式设备很难达到这个标准。所以对于很多情况下需要用深度学习来做分类或者回归的，都是通过网络进行请求，而且模型是现在多C

最近在做人脸识别的研究和开发，其中用的还是传统的支持向量机 ——SVM和特征提取方法 LBP(具有灰度不变形的优点）在少量的数据下，传统的机器学习方法相对于现在比较热门的深度学习算法有一定的优势，比如计算速度等。其中的SVM我使用的是台湾大学的LIBSVM的开源项目，这个开源项目是很经典而且很实用。 对于非端对端的学习，一个好的分类问题，需要的就是提取最有价值的特征，那么如何更好的使用LBP和对图

问题一现在深度学习如此火热，深度学习的技术现状，未来发展是否会成为通用技术基础？ 徐伟:深度学习会是人工智能的一个重要部分，而且被广泛使用。吴恩达:我相信深度学习在未来几年会创造更大的价值，而且这方面很缺人才。目前的人工智能仍然距离 人的智能 很远，而且还不清楚如何达到人的水平。我认为 我们要清楚 需要 用深度学习 做什么，什么不应该做，这是很重要的。问题二在比较充分的数据和

Android 6.0 Marshmallow 的改变从官网翻译的Android 6.01.Runtime Permissions其实就是很多权限，需要调用requestPermissions() 获取权限，然后可视化给用户，权限使用更透明。详细解释2.Doze And App standby两种省电延长使用的功能。 设备没有连接到电源，设备进入 Doze 模式时，系统将通过延迟最近用户没有使用的

Android 开发中设计到的设计模式Android本身就是基于MVP(Model-View-Presenter )模式。Android系统中的设计模式java IO InputStream 是基于适配器模式和装饰者模式。Android中的Adapter适配器模式(Adapter Pattern)。Android广播接受是观察者模式(Oberver Pattern)远程服务调用是用的代理模

String sb = new String(“sb”);到底创建了几个实例？很多人都在讨论这个问题，当然这个问题是没有什么意义的。但是如果可以学到新的知识，那讨论便有了意义。之前博主不知道如何查看字节码，最近看了一些文章。本文将从字节码的角度分析这个问题。对于这个问题，不考虑特殊情况是2个。 1.一个是字符串字面量”xyz”所对应的、驻留（intern）在一个全局共享的字符串常量池中的实例。

windows DLL动态连接库文件的实现和应用动态连接库文件即dll文件（windows下，linux下为.so文件），里面其实为已经实现的函数库，可以随时导入为多个程序同时使用。它实现时就被编译了，所以它实质是一种不可执行的二进制文件 。利用它有助于共享内存，提高内存的执行效率 ， 而且dll也使程序模块化，这也是虚拟内存实现的前提。vc++6.0提供了两种模式的dll文件的编写，一种是MFC的