yaoliangsjtu的博客

在做笔试题遇到读取一串数据，然后保存到数组中，以回车键为结束符while((c=getchar())!='\n'){if(c!=' '){ungetc(c,stdin);cin>>data[i++];}}求最大整数子序列和，考虑了全部输入为负数时，就输出整数中最大数int maxsubsum(int size,int data[]){int ma

支持向量机是属于原创性、非组合的具有明显直观几何意义的分类算法，具有较高的准确率。        使用SVM算法的思路：（1）简单情况，线性可分情况，把问题转化为一个凸优化问题，可以用拉格朗日乘子法简化，然后用既有的算法解决；（2）复杂情况，线性不可分，用核函数将样本投射到高维空间，使其变成线性可分的情形，利用核函数来减少高纬度计算量。       一、SVM相关基本概念       分割超平

原始出处：http://sbp810050504.blog.51cto.com/2799422/1608064在《机器学习实战》一书的第5章中讲到了Logistic用于二分类问题。书中只是给出梯度上升算法代码，但是并没有给出数学推导。故哪怕是简单的几行代码，依然难以理解。 对于Logistic回归模型而言，需要读者具有高等数学、线性代数、概率论和数理统计的基础的数学基础。高等数学部分能理解偏导数即

图的邻接矩阵存储方式是用两个数组来表示图。一个一维的数组存储图中顶点信息，一个二维数组（邻接矩阵）存储图中的边或弧的信息。#includeusing namespace std;#define MAXVEX 100/*最大顶点数*/#define INFINITY 65535//表示权值得无穷typedef int EdgeType;//边上权值类型typedef char Vert

归并排序是将数列a[l,h]分成两半a[l,mid]和a[mid+1,h]分别进行归并排序，然后再将这两半合并起来。在合并两个数列，只要从比较两个数列的第一个数，谁小就先取谁，取了之后就在对应数列中删除这个数。然后再比较，如果有数列为空，那直接将另一个数列的数据依次取出即可。//将有序数组a[]和b[]合并到c[]中 void MemeryArray(int a[], int n, i

有一个数组，让找到两个不重复的连续子序列A,B ，求Max(Sum(A)-Sum(B)。int Maxsum(vector&A){ int sum=0,ma=-10000; vectorsumA; vectorsumB; for(int i=0;i<A.size();i++) { sum+=A[i]; ma=max(ma,sum); sumA.push_back(ma)

1.梯度消失爆炸的原因神经网络梯度不稳定性：前面层的梯度是来自于后面层上梯度的乘乘积，当存在过多的层就出现了内在本质的不稳定梯度消失：sigmoid 导数最大值为1/4，abs(w)梯度爆炸：当权值过大，前面层比后面层梯度变化更快，会引起梯度爆炸问题。如何解决梯度消失或爆炸:ReLU替代sigmoid2. overfitting怎么解决dropout:开始训练的时候我们随机

/* 版权声明：可以任意转载，转载时请标明文章原始出处和作者信息 .*/                                                     author: 张俊林Batch Normalization作为最近一年来DL的重要成果，已经广泛被证明其有效性和重要性。目前几乎已经成为DL的标配了，任何有志于学习DL的同学们朋友们雷迪斯俺的詹特曼们都应该好好学一学BN。

相信各位在学习cnn的时候，常常对于卷积或者池化后所得map的的大小具体是多少，不知道怎么算。尤其涉及到边界的时候。首先需要了解对于一个输入的input_height*input_widtht的图像，在卷积或者池化的时候，经常需要加padding，这是为了处理边界问题时而采用的一种方式，于是原输入就变成了下图所示：对于输出的size计算 如下图：out_height=（(input_heigh

↑↑↑↑目录在这里↑↑↑↑↑Faster RCNN github : https://github.com/rbgirshick/py-faster-rcnnFaster RCNN paper : https://arxiv.org/abs/1506.01497Bound box regression详解 : http://download.csdn.net/download/zy10340923

论文：Densely Connected Convolutional Networks 论文链接：https://arxiv.org/pdf/1608.06993.pdf 代码的github链接：https://github.com/liuzhuang13/DenseNet文章详解： 这篇文章是CVPR2017的oral，非常厉害。文章提出的DenseNet（Dense Convolution

SegNet 介绍

Deep learning：五十一(CNN的反向求导及练习)  　　前言：　　CNN作为DL中最成功的模型之一，有必要对其更进一步研究它。虽然在前面的博文Stacked CNN简单介绍中有大概介绍过CNN的使用，不过那是有个前提的：CNN中的参数必须已提前学习好。而本文的主要目的是介绍CNN参数在使用bp算法时该怎么训练，毕竟CNN中有卷积层和下采样层，虽然和MLP的bp算法本质上相同