![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 61
爱学习的人工智障
专注于深度学习,扣图算法,压缩算法,去隔行算法
展开
-
交叉验证
原理:将样本数据分为k份,每次选取一份数据作为验证集,其余的数据作为训练集,这样训练k次,然后选取k次训练误差的均值作为该模型的误差,以此来作为选择不同机器学习模型的依据,或者作为选择深度学习神经网络层数和节点数的依据。步骤:将样本数据集分为k份。选取其中一份作为验证集,剩余的k-1份作为训练集。然后训练k次,取k次误差的均值作为改模型最终的误差。参考链接:https://blog...原创 2020-02-25 15:50:33 · 247 阅读 · 0 评论 -
神经网络中偏置项的功能
为了更好地拟合数据。参考链接:https://blog.csdn.net/mmww1994/article/details/81705991原创 2019-12-26 18:44:53 · 1681 阅读 · 0 评论 -
感知机为啥无法解决异或问题(非线性问题)
感知机又称之为单层神经网络,只能解决线性问题,无法解决非线性问题,异或问题属于非线性问题,所以感知机无法解决异或问题。注:所有的线性网络都无法解决异或问题。参考链接:https://blog.csdn.net/yangfeisc/article/details/45486067...原创 2019-12-26 18:28:42 · 6026 阅读 · 0 评论 -
InceptionV2/V3模型
参考链接:https://www.imooc.com/article/69524原创 2019-11-26 18:04:30 · 250 阅读 · 0 评论 -
梯度消失和梯度爆炸问题及解决办法
梯度消失和梯度爆炸都是由于网络层数太深引起的。参考链接:https://www.jianshu.com/p/3f35e555d5ba#activation原创 2019-11-12 15:32:32 · 863 阅读 · 0 评论 -
如何跨上大数据战车
大数据应用的流程:数据,模型,业务,需求。注:必须搞清楚需求是否是真正的需求,然后才可以去搜集数据,训练模型。大数据应用的两个要求:(1)对应用的模型有足够的认知,可以根据业务对模型进行微调,以适应业务的需求。(2)对业务需求有深刻的认知,能够应用数据模型进行业务的实现。注:大数据应用的核心在于数据,而非数据技术。...原创 2019-11-12 10:07:48 · 112 阅读 · 0 评论 -
机器学习入门之机器学习可以学到规律么
机器学习可以学到规律,理由如下:(1)基于统计学规律,基于概率的信任(2)样本越多,最后的结果越可信原创 2019-11-12 09:31:47 · 217 阅读 · 0 评论 -
梯度下降法小结
参考链接:https://www.cnblogs.com/huangyc/p/9801261.html原创 2019-10-23 18:23:42 · 160 阅读 · 0 评论 -
VGG网络的理解
VGG的主要作用:使用非常小的(3×3)卷积滤波器架构对网络深度的增加进行了全面评估,这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。VGG网络的改进点:1 使用了更小的33卷积核,和更深的网络。两个33卷积核的堆叠相对于55卷积核的视野,三个33卷积核的堆叠相当于77卷积核的视野。这样一方面可以有更少的参数(3个堆叠的33结构只有77结构参数数量的(333)/(77)...原创 2019-04-23 15:40:02 · 2310 阅读 · 0 评论 -
卷积神经网络中的channel数的理解
channel数指的是每一层卷积核的个数。参考文献:https://blog.csdn.net/xys430381_1/article/details/82529397原创 2019-04-23 15:31:00 · 2336 阅读 · 0 评论 -
卷积神经网络之relu激活函数的理解
激活函数的目的:神经网络中,激活函数的作用是能够给神经网络加入一些非线性因素,使得神经网络可以更好地解决较为复杂的问题。relu激活函数如图所示:relu激活函数的优势:(1)反向传播时,可以避免梯度消失。(2)Relu会使一部分神经元的输出为0,这样就造成了网络的稀疏性,并且减少了参数的相互依存关系,缓解了过拟合问题的发生(以及一些人的生物解释balabala)。(3)**相对于si...原创 2019-04-23 15:05:19 · 10874 阅读 · 0 评论 -
LeNet网络的理解
附上几篇我认为Lenet理解比较好的连接。链接1:https://blog.csdn.net/m0_37264397/article/details/75174484该博文对Lenet每一层的网络结构连接参数有非常详细的计算过程,便于小白深入学习Lenet网络结构。链接2:https://blog.csdn.net/zhangjunhit/article/details/53536915...原创 2019-04-23 12:27:12 · 512 阅读 · 0 评论 -
小白入门学习卷积神经网络
卷积神经网络产生的背景:(1)卷积网络是为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。卷积神经网络的特点:(1)局部相关性:相邻的像素结合起来表达一个特征,距离较远的像素影响较小随着层数的增加,feature map里面的点映射到原图的感受野越来越大不仅仅可以适用于图像,其它具有局部相关性的数据均可以尝试卷积网络处理带来一...原创 2019-04-23 00:11:33 · 845 阅读 · 0 评论 -
对称矩阵与反对称矩阵
对称矩阵:沿对角线两边的元素,对称相等。反对称矩阵:矩阵的转置等于原来所有矩阵元素与-1相乘。反对称矩阵:设A为n维方阵,若有A′=−A,则称矩阵A为反对称矩阵。反对称矩阵的性质:对于反对称矩阵,它的主对角线上的元素全为0,而位于主对角线两侧对称的元素反号。...原创 2019-04-17 22:10:17 · 23948 阅读 · 0 评论 -
矩阵叉乘的意义
矩阵叉乘:叉乘的结果是一个向量。方向垂直于原先两个向量构成的平面。大小为:原来两个向量在平面形成的平行四边形的面积。原创 2019-04-17 21:57:55 · 6616 阅读 · 0 评论 -
逻辑回归模型方法的理解
解决的问题:分类问题逻辑回归模型的输入:(1) 样本训练集trainingSet = {(x1,y1),…(xM,yM)}注:共有m个训练样本,样本的标签值y取值为0,1对数回归重要公式总结:多分类问题:可以转化为求多个二分类问题解决,选取概率最大的类别作为输出类别。...原创 2019-04-14 18:26:43 · 279 阅读 · 0 评论 -
代价函数(损失函数)的理解
代价函数的目的:用来训练模型中的参数。代价函数的意义:表征模型输出与标签值之间的差异。代价函数选取的标准:(1)可导。(2)满足凸函数的条件,可以方便用梯度下降法求解最小值。举例:1- 线性回归代价函数:线性回归中的代价函数:J(θ)=12m∑i=1m(yi−hθ(xi))2J(θ)=12m∑i=1m(yi−hθ(xi))2线性回归代价函数的实际意义就是平方误差。而逻辑回归却不...原创 2019-04-14 15:22:41 · 620 阅读 · 0 评论 -
逻辑回归进行机器学习的步骤
获取样本数据。建立模型。拟合参数。原创 2019-04-14 13:03:33 · 384 阅读 · 0 评论 -
为什么不用线性回归解决分类问题
线性回归用来解决分类问题时,稳定性差。当样本分布比较复杂时,线性回归无法做到准确的分类。例如:(1)无异常值的线性回归情况:只要将阈值设定为0.5,就可以进行很好地分类。(2)有异常值的线性回归情况:需要将阈值设定为0.2,才可以进行很好地分类。(3) 逻辑回归对异常值具有很好地稳定性。2. 线性回归的取值范围为负无穷到正无穷,逻辑回归的取值为0,1。...原创 2019-04-14 12:52:19 · 4601 阅读 · 3 评论 -
一文读懂卷积神经网络中softmax,softmaxloss, 交叉熵的理解
softmax:应用于分类问题,位于卷积神经网络层的最后一层。softmax意义:输出输入图片,对应概率最大的类别,以及属于该类别的可能性概率。以下文献对softmax有很好的解释:https://blog.csdn.net/u014380165/article/details/77284921...原创 2019-04-19 17:22:10 · 4727 阅读 · 2 评论 -
统计学中位数概念的理解
分位数是将总体的全部数据按大小顺序排列后,处于各等分位置的变量值。如果将全部数据分成相等的两部分,它就是中位数;如果分成四等分,就是四分位数;八等分就是八分位数等。四分位数也称为四分位点,它是将全部数据分成相等的四部分,其中每部分包括25%的数据,处在各分位点的数值就是四分位数。四分位数有三个,第一个四分位数就是通常所说的四分位数,称为下四分位数,第二个四分位数就是中位数,第三个四分位数称为上四...原创 2019-03-06 00:10:42 · 8020 阅读 · 0 评论 -
史上最全的视觉无人机进行车道检测算法总结
基于视觉无人机进行车道检测的复杂性,考虑应用传统算法和深度学习算法结合来解决该问题。原创 2019-05-10 17:32:07 · 2392 阅读 · 0 评论 -
视觉无人机进行车道线检测的难点
车道内和车道外干扰物对车道检测的影响,例如:在高速路上行驶的车辆,道路两旁的树木。光线明暗变化对车道线检测的影响。相机运动时,产生的物体运动模糊。相机拍摄产生的噪声。...原创 2019-05-10 17:14:16 · 975 阅读 · 0 评论 -
运动目标检测的难点
目前,虽然有大量的运动目标检测算法,但由于实际环境的复杂多变,所以这些算法并不都是十分的健壮。(1)模型初始化问题:在背景初始化训练时期,由于还没有获得高质量的背景模型,故常常导致运动目标的误检;(2)伪装现象:一些运动目标可能与背景极其相似,从而导致运动目标无法正确地与背景区分开;(3)光照变化:分为光线的突变和渐变。背景模型要能够适应白天室外环境中光线的逐渐变化;相应的,背景模型也能够适...原创 2019-05-10 16:49:01 · 2082 阅读 · 0 评论 -
视频目标检测存在的问题
只有能够实时解析视频,算法才真正意义上能够进行工程应用,图像处理算法是视频处理算法的基础。1.视频大量的冗余信息。2. 视频实时性处理。原创 2019-05-10 11:06:59 · 1455 阅读 · 0 评论 -
视频目标追踪
实时视频目标检测面临的问题:视频目标检测要解决的问题是对于视频中每一帧目标的正确识别和定位。相对于图像目标检测,视频是高度冗余的,包含了大量时间局部性(temporal locality,即在不同的时间是相似的)和空间局部性(spatial locality,即在不同场景中看起来是相似的),既Temporal Context(时间上下文)的信息。充分利用好时序上下文关系,可以解决视频中连续帧之...原创 2019-05-10 09:23:46 · 4567 阅读 · 0 评论 -
GPU云服务器介绍
GPU 云服务器(GPU Cloud Computing,简称 GPU)是基于 GPU 应用的计算服务,具有实时高速的并行计算和浮点计算能力,一般适用于 3D 图形应用程序、视频解码、深度学习、科学计算等应用场景。通常,GPU云服务器厂商提供和标准云服务器租用一致的管理方式,可以有效解放用户的计算压力,提升产品的计算处理效率与竞争力。gpu云服务器的适用场景适用于深度学习训练和推理,图像识别...原创 2019-05-06 10:34:25 · 2214 阅读 · 0 评论 -
阿里云服务器使用
阿里云服务器类似于一个主机,远程控制主机进行深度学习模型训练。原创 2019-05-08 17:26:38 · 124 阅读 · 0 评论 -
win10安装ubuntu16.4系统
安装软件的时候,如果从外网很难获取可以从国内的网站下载。注意要进行bios的设置。原创 2019-04-25 16:41:03 · 476 阅读 · 0 评论 -
深度学习处理图像任务难易程度的总结
任务的难易程度由低到高: 分类,检测,分割。其中,分类是所有图像处理任务的基础。原创 2019-05-04 23:11:24 · 795 阅读 · 0 评论 -
一文读懂反向传播算法(BP算法)的前世今生
反向传播算法的目的:训练神经网络的权值系数,最终完成对权重系数的调整核心:通过比较输出y和label值t,对参与计算的w进行调整方法:从网络的输出层开始,向输入层方向逐层计算梯度并更新权重,与前馈运算相反。......原创 2019-04-13 22:38:17 · 2970 阅读 · 0 评论 -
如何评估不对称类别模型的性能
通过召回率和查准率可以判断不对称类别模型的性能。原创 2019-04-16 18:46:10 · 205 阅读 · 0 评论 -
构建大型机器学习系统的建议
先建立一个简单的模型。画出模型的学习曲线。在训练集上进行误差分析,手动检查算法错误的过程,提取一些有用的特征继续学习。对模型进行数值估计,数值估计的目的是为了评估对模型的优化是否有效。...原创 2019-04-16 17:17:33 · 135 阅读 · 0 评论 -
线性代数之正定矩阵理解
定义:特征值全是正实数的实对称矩阵为正定矩阵(positive definite matrix)。类似的,若实对称矩阵的特征值均非负,则为半正定矩阵(positive semidefinite matrix)**应用:**牛顿法求解中会涉及到正定矩阵这个概念,正定矩阵和函数求解有关系。...原创 2019-03-20 15:23:07 · 2021 阅读 · 0 评论 -
机器中损失函数选取的原则
机器学习中,在做线性回归或者逻辑回归中,经常会涉及到损失函数的构建。首先,应该清楚损失函数的意义。损失函数的意义:用来度量预测值和标签值之间的差异。损失函数的应用:通过使损失函数最小,找到能够拟合样本数据的最佳映射f。损失函数选取的原则:原则1:符合损失函数的意义。即预测值和真实值之间的差异越大,损失函数越大,反之,损失函数越小。原则2:损失函数必须可以求导。通过求导,可以寻找能够使损...原创 2019-03-20 06:52:16 · 1171 阅读 · 0 评论 -
机器学习之线性回归模型的理解
线性回归的机器学习类型:监督学习。注:监督学习的概念训练样本的数据集存在标签集,在机器U型诶下训练过程中需要用到标签集的信息,完成拟合模型的训练,故称之为监督学习。监督学习也可以理解为有标准答案的学习,越接近标准答案,训练的结果越好。线性回归的任务:训练一个映射,可以很好地拟合训练样本的数据,同时泛化能力(推广能力)也表现很好。注: 泛化能力泛化能力,即在测试样本的推广能力,样本集分为...原创 2019-03-11 07:08:11 · 532 阅读 · 0 评论 -
AttributeError: 'Series' object has no attribute 'reshape'解决办法
Series没有reshape功能,用values方法将Series对象转化成numpy的ndarray,再用ndarray的reshape方法.。例:y.reshape(-1, 1)log_y.reshape(-1, 1)报错: AttributeError: ‘Series’ object has no attribute ‘reshape’改为:y.**values.**resh...原创 2019-03-09 20:23:07 · 3987 阅读 · 1 评论 -
机器学习之数值特征处理及数据探索
1. 分析数据是否有缺失值,是否有噪声。2. 对不同类型的数值特征进行处理。(1)对于类别型特征要进行独热编码。注: 独热编码将一维类别特征改为K维类别特征,其中k为该类别特征的类别总数,只有其中为1,其余为0。(2)对于数值特征,要将其去量纲化,即归一化数值范围,变为统一的单位。...原创 2019-03-09 20:03:29 · 645 阅读 · 0 评论 -
机器学习工具之画图工具seaborn函数之pairplot
函数pairplot作用:用来进行数据分析,画两两特征图。函数原型:seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind=’scatter’, diag_kind=’hist’, markers=None, size=2.5, aspect=...原创 2019-03-09 17:34:31 · 15723 阅读 · 0 评论 -
python之机器学习工具简介
NumPy(Numeric Python)是Python的开源数值计算扩展,可 用来存储和处理大型矩阵 • N维数组( ndarray ) • 实用的线性代数、傅里叶变换和随机数生成函数• NumPy和稀疏矩阵运算包SciPy配合使用更加方便Matplotlib是Python语言的2D图形绘制工具实例展示:import numpy as np #导入数据库import matplotli...原创 2019-03-02 07:12:32 · 177 阅读 · 0 评论