- 博客(14)
- 资源 (12)
- 收藏
- 关注
RSS订阅转载 机器学习笔记：朴素贝叶斯方法（Naive Bayes）原理和实现
转载：[机器学习笔记：朴素贝叶斯方法（Naive Bayes）原理和实现](https://blog.csdn.net/tanhongguang1/article/details/45016421) 本文主要描述了朴素贝叶斯分类方法，包括模型导出和学习描述。实例部分总结了《machine ...
2018-03-28 09:13:44
824
1
原创 贝叶斯公式理解
学习贝叶斯条件概率，我们首先需要知道什么是先验概率和后验概率，先验概率和后验概率的定义如图所示： 因为贝叶斯公式主要是在事件已经发生，需要从其对应的多个原因中选择一个原因，然后求解是该原因所导致的结果的概率，即后验概率，对应的我们可以将问题转化一下，例如求解取一个图片是有角的，求该图片是犀牛的概率，利用贝叶斯公式进行求解，也可以得到预期的效果，大家可以进行尝试，希望有助于大家理解贝叶...
2018-03-27 16:51:51
906
转载 batchNorm解析
转载：基础 | batchnorm原理及代码详解 Batchnorm原理详解 前言：Batchnorm是深度网络中经常用到的加速神经网络训练，加速收敛速度及稳定性的算法，可以说是目前深度网络必不可少的一部分。 本文旨在用通俗易懂的语言，对深度学习的常用算法–batchnorm的原理及其代码实现做一个详细的解读。本文主要包括以下几个部分。Batchnorm主要解决的问题Batchnorm...
2018-03-22 15:06:27
2831
原创 SPP-net解读
介绍：在上面的过程中我们已经看了YOLO实现图片的定位和识别的过程，可以看到它是一个end-to-end的网络，通过设置S*S个格子，然后让每个格子预测B个bbox，然后进行NMS可以得到置信度较大的几个类的预测，然后进行回归分析，注意里面loss值的计算，便可以得到计算速度非常快，效果很不错的YOLO网络，相比faster-rcnn网络，效果没有那么好，但是速度却有了很大的提升！今天我们看一个非...
2018-03-20 16:57:10
5100
4
原创 RCNN探秘
文章结构：主要的步骤1）输入原图—> 2）候选区域生成—> 3）对候选区域进行截取或者放缩变换，统一到统一大小—> 4）对每个候选区域利用CNN进行特征提取—> 5）特征送入每一类SVM分类器中进行判别—> 6）bounding box回归得到候选框位置。1）候选区域生成： 候选区域我们一般采用Selective Search方法，每张...
2018-03-18 20:15:57
695
原创 CNN中的小tips
1）为什么使用两个3*3的卷积核而不是用5*5的卷积核呢？加深网络深度；减少所求解的参数个数。 例如我们共有20个3*3的卷积核，将其分为两层，然后有20个5*5的卷积核，将其保持一层，经过两层3*3或者一层5*5之后得到的大小一致，那么为什么我们在卷积核个数相同的情况下更喜欢采用两层3*3而不是一层5*5呢，答案就在与在加深网络深度的同时还可以减少计算的网络参数！两层3*3卷积核计...
2018-03-16 17:34:18
502
原创 FCN（全卷积网络）进行语义分割
建议大家在阅读本篇博客之前，首先看看这篇论文：A guide to convolution arithmetic for deep learning，仔细理解其中的反卷积操作，注意反卷积之后的通道个数以及对应还原出来的多维数组中代表图像大小的维度的取值范围，就可以很好地理解FCN是如何进行pixel-wise级别的分类任务了！ FCN是一个end-to-end的网络，实现像素级别（pixel-w...
2018-03-16 11:52:24
2274
1
转载 卷积操作和反卷积操作的数学解释
预备知识：卷积运算： width:w filter_size:f padding:p stride:s new_width:n_wceil：向下取整运算 n_w=ceil((w-f+zp)/s)+1 反卷积运算： input:i filter_size:f padding:p stride:s output:oo=s(i-1)+f-2*p+a,(a=[0,1,…...
2018-03-14 11:55:35
3868
2
原创 YOLO初探
YOLO有S*S的格子，每个格子包含B个边界框，格子对应的预测总的类别数为C种类别。总结重点：1、一张图片中有多个object，即一张图片中有多个对象，如下图所示，我们框了很多的真实框，那么S*S*B个bbox的对应的confidence怎么计算出来呢？confidence=p(object)*IOU(truth,pred)，那么p(object)和IOU(truth,pred)怎么求...
2018-03-09 11:28:02
3339
3
原创 kmeans聚类算法改进
由于kmeans聚类算法对离群点或者噪音很敏感，而且适合凸规模的数据集，而且可能陷入局部最优等等问题，前辈们又提出了很多改进的算法！（总参考：机器学习(25)之K-Means聚类算法详解）二分kmeans（bisecting K-means）算法：思路：1）将所有的数据看做一个簇；2）当簇的个数小于所要求的k时候： 对每一个簇： ...
2018-03-05 20:14:10
7328
原创 Gaussian Mixture Model(GMM）探索
最近一直在看无监督学习相关的只是，在前面了解了kmeans聚类算法和层次聚类之后，今天我们来探索一下没那么简单的Gassian Mixture Model哈，感受一下数学所带来的震撼和又一次多了对高斯这个神一般的男人的好奇，现在开始转入正题哈！ 高斯混合模型，顾名思义，使用多个不同的高斯模型混合而成，用来拟合任意形状的概率分布，至于原因嘛，大家可以看看为什么高斯模型混合模型（GMM）理论上可以拟...
2018-03-05 14:54:31
1437
原创 最大似然法
要利用最大似然法，我们首先需要明白什么是似然函数，然后再来讲解如何最大，那么到底什么东东是似然函数呢？下面我们来讲解一下哈！likelihood（似然），在英语中和probability（可能）可以互换，所以我们可以猜想这个东西是关于概率的，那为什么不用probability呢？因为在英语中，并不是所有在0，1之间的数都可以称为概率的，所以作者想表达的是，这个词和probability有关系，...
2018-03-04 23:19:19
1708
原创 层次聚类算法解析
上篇博客我们粗略讲解了一下kmeans聚类算法，其中牵涉到了新的聚类算法：层次聚类算法，本篇博客我们着重讲一下这种聚类算法。 kmeans聚类算法可以看做top-down结构，而层次聚类算法则可以视为bottom-up结构，而且极其类似于霍夫曼编码这种贪心结构算法，不过不同之处在于霍夫曼编码每次找的是分离的两个值最小的两个节点，然后合并成一个节点，而层次聚类算法则找的是两个节点（集合）相似度最小...
2018-03-04 17:45:05
792
原创 kmeans聚类算法解密
前面我们了解了很多有监督学习相关的知识，相信大家一定对其中的精彩还回味无穷呢（原谅我就是这么臭不要脸，哈哈哈），最近闲来无事，看了看无监督学习相关的资料和知识，今天我们就先来看看无监督学习之kmenas算法，从名字可以看到两个信息：1）k个簇；2）每个簇的质心是它的means，即均值。我们先来看看kmeans的思路：思路解析：1）确定k个中心表示k个簇（方法各异）；2）对n个样本，找...
2018-03-04 16:03:49
477
Neural Network and Deep Learning.pdf
2017-09-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人