wjmishuai-CSDN博客

原创 SVD与SVD++

基于潜在（隐藏）因子的推荐，常采用SVD或改进的SVD++奇异值分解（SVD）：考虑CF中最为常见的用户给电影评分的场景，我们需要一个数学模型来模拟用户给电影打分的场景，比如对评分进行预测。将评分矩阵U看作是两个矩阵的乘积：其中，uxy 可以看作是user x对电影的隐藏特质y的热衷程度，而iyz可以看作是特质 y 在电影 z 中的体现程度。那么上述模型的评分预

2017-05-05 10:44:39 26508 4

原创基于内容的推荐

思想：根据物品的属性和用户的特殊偏好，直观的选择可推荐物品。比如，《哈利.波特》是一本科幻小说；用户爱丽丝很喜欢科幻小说，系统就会直接推荐一本新出版的《哈利.波特》给爱丽丝。需求：1.物品的特征描述（标签）2.描述了用户（历史）兴趣的用户记录（标签）首先，我们需要根据实际应用场景构建自己的标签库标签库来源：已有内容（物品，以下相同）的标签；网络抓取流行标签；对运营的内容

2017-05-05 10:18:52 4755

原创基于物品的协同过滤推荐

思想：利用物品间的相似度，给用户推荐与用户过去行为物品相似的物品。资源：用户物品评分矩阵（填空，即对用户没有过评分的物品进行预测打分）算法目标：寻找与当前用户喜欢的物品相似的K个物品，将其推荐给当前用户物品相似度评测：改进的余弦相似度U={u1,u2,...,un}表示用户集，用R表示n*m的评分矩阵，rij代表评分项，表示用户i对物品j的评分。表示用户评分平均值，目的

2017-05-04 19:23:01 885

原创基于用户的协同过滤推荐

思想：利用已有用户群过去的行为或意见预测当前用户最可能喜欢那些东西或对哪些东西感兴趣。资源：用户物品评分矩阵（填空，即对用户没有过评分的物品进行预测打分）算法目标：寻找N个与当前用户相似的用户，将这K个用户喜欢的物品并且是当前用户未知的物品，推荐给当前用户。用户相似度评测：常采用改进的余弦相似度进行测量，计算公式：P={p1,p2,...，pm}表示物品集，U=

2017-05-04 18:57:41 885

原创推荐系统架构

从底向上依次介绍推荐系统各层的逻辑及涉及到的常用算法基础层：1.数据存储平台：主要涉及数据为用户信息、物品信息、用户行为信息等。2.数据运算平台：根据实际需求设计。3.数据传输平台：根据实际需求设计。模型层：1.用户画像模型2.物品画像模型3.用户关系挖掘4.物品关系挖掘5.用户物品关系挖掘6.趋势预测模型算法层：1.用户显示评分矩阵；用户行

2017-05-04 18:24:58 1853

原创 caffe源码解析之blob.hpp或blob.cpp

2016-03-23 11:17:00 3332

原创 caffe模型参数的一些解释

2016-03-14 21:48:09 10142 1

原创浅谈神经网络

回归问题：让机器观察并总结出一些有代表性的特征，然后根据这些特征对某种事物进行分类或预测。可是计算机只能认识一堆数字，因此要让机器从事物的特征中找到规律，其实是一个如何在数字中找规律的问题。假如：有一串数字，前六个是0.14、0.57、1.29、2.29、3.57、5.14，请问第七个是几？我们把这几个数字在坐标轴上标识一下，可以看到如下图形：由此可见，回归问题其实是

2016-03-12 19:59:29 5780 1

原创关于google protocol buffer（PB）的优缺点和一些个人的理解

由于caffe的神经模型通过protocol buffer定义，所以自己搜刮了一些资料，加上自己的一些理解，如下：protocol buffer用一句话概括就是一个数据传输协议,用来将你程序中需要保存的数据以结构化的形式保存起来,并以相应的的格式读取.有人会问,直接用C++的读写文件函数不就行了么,为什么还要用这个工具.这主要是因为当你需要存取的数据量很大时,系统提供的方法效率

2016-03-11 16:50:15 9029

原创深度学习与人脸识别系列（7）__人脸识别算法简要说明与总结

2016-03-11 10:51:24 12943 7

原创深度学习与人脸识别系列（6）__利用训练好的vgg模型进行人脸识别(利用摄像头)

2016-03-11 10:50:44 16061 5

原创深度学习与人脸识别系列（5）__vgg人脸识别模型测试

2016-03-11 10:50:09 14853 28

原创深度学习与人脸识别系列（4）__利用caffe训练深度学习模型

2016-03-11 10:49:26 13680 15

原创深度学习与人脸识别系列（3）__基于VGGNet的人脸识别系统

2016-03-11 10:48:39 38381 11

原创深度学习与人脸识别系列（2）__深度学习的环境搭建（ubuntu+caffe）

直接去我同学博客看吧，不想整理了：http://blog.csdn.net/xyy19920105/article/details/50401620或者直接看我的，我的就是按照官网的方法一步一步来的，比较繁琐，他的比我的简单，不容易出错。

2016-02-13 11:21:59 5762 3

原创深度学习与人脸识别系列（1）__算法流程和教程大纲（基于caffe）

一：深度学习环境的搭建二：寻找相关深度学习论文，将其转换成caffe模型三：caffe模型的训练四：模型性能测试五：如果只想利用训练出来的模型进行人脸识别，直接看这里六：人脸识别算法简要说明

2016-02-13 11:18:50 11522 1

原创基于Ubuntu 14.04和CUDA 7.0为基础的caffe环境配置

一：注意：以下教程是以Ubuntu 14.04 64bit和CUDA 7.0为基础的。二：说明：1：caffe下载地址https://github.com/BVLC/caffe2：caffe环境配置官方文档http://caffe.berkeleyvision.org/installation.html3：cuda配置地址http://docs.nvidia.

2016-01-14 11:16:06 2709

原创什么是有监督的学习，什么是无监督的学习，什么是聚类，什么是分类，什么是回归

有监督（supervised）：就是指我们的数据是否有类标的。在训练model的时候，我们必须给出数据的类标。训练model的过程其实就是找数据和类标之间的关系，model训练好后，输入数据，输出（预测）类标。如果输入数据没有类标，那就是无监督学习（unsupervised learning），无监督学习通常用于聚类（clustering）。因为类标需要人手工标注，所以尽管分类效果普遍

2015-12-30 10:17:27 4944

原创 AdaBoost算法讲解、举例

一：算法介绍adaboost算法的目标是提高学习算法（比如说LMS算法）的分类准确率。adaboost算法提供的是框架。可以使用各种学习方法构建子分类器。二：算法分析步骤：根据训练样本设计一个分类器，根据分类的结果，改变每个样本的权重，产生一个弱分类器，一直迭代，直到最后的误差率小于给定的误差率。把这些分类器合并起来，组成一个强分类器。一：从大小为n的原始样本集

2015-12-25 11:00:50 4733

原创 LBP特征提取算法的提取与实现

LBP的基本思想是对图像的像素和它周围8个像素进行比较，然后求和。如果中心像素的亮度大于等于他的相邻像素，把他标记为1，否则标记为0。最终可以获取2^8个可能的组合，称为局部二值模式或LBP码。这样做的原理：因为对于一张图片，相邻像素之间的的值是有关系的。因此中心点和相邻像素比较后就能得到一个二进制串，这个二进制串就能很好的表示这个点和相邻像素之间的模式，这个模式就是这个二进制串。

2015-12-25 08:42:05 5412 1

原创基于深度学习的人脸识别项目已经接近尾声了

#记录一些心得##介绍一下关于人脸识别的深度学习的训练与分类过程（具体操作流程）。

2015-11-12 11:46:10 1813

wjmishuai的博客