- 博客(4)
- 资源 (89)
- 收藏
- 关注
RSS订阅原创 学习一下mxNet（致自己已经身心疲惫的心）
最近有点爆炸感觉； 1、单位能考试的绝对烤死 2、fastcnn一直徘徊在83%左右准确率 为什么提不高？鲁棒性这么差（仅工程应用方面）？ 3、五篇经典论文读傻了 4、https://github.com/apache/incubator-mxnet/tree/master/example/ssd贫穷限制了我的思考和想象（计算资源不够） 5、https://github.com/ap
2017-12-27 10:48:43
1445
原创 关于在RCNN和SPPNet中分类器采用SVM而不是softmax的解释。
第一我们分析的理由是cnn是需要固定的尺寸的训练样本，SPPNet是可以将任意大小的图像池化生成固定尺寸的图像形式，同比cnn在相同条件下训练耗时快24-102倍左右。理论上的卷积层是不需要规定的图像尺寸，全链接层需要固定的输入。因此将spatial pyramid pooling放在conv layers层之后，关于图像的crop边缘检测和图像的warp几何变化主要是空间坐标变化和空间坐标赋值采用
2017-12-15 22:14:27
3929
1
原创 贝叶斯线性回归
关于deep Learningbook第五章120页5.71和5.72的有关解释： 这个问题的研究思路是我们拿到一组数据后数据本身中包含着概率密度函数，但是这个函数的形式我们是不清楚的，所以要使用概率密度分布的方法从数据中估算出来，在这个过程需要求得的两个是：概率密度函数的形式（高斯分布、瑞利分布）和概率密度函数的参数（均值、方差）。 求解首先要知道数据本身是连续还是离散的，也就是要把数据是否是
2017-12-07 08:59:32
517
原创 对卷积核的相关解释论文和实验
从通信理论与图像方面理解卷积： https://www.analyticsvidhya.com/blog/2017/06/architecture-of-convolutional-neural-networks-simplified-demystified/ 奇数相对于偶数，有中心点，对边沿、对线条更加敏感，可以更有效的提取边沿信息。 偶数也可以使用，但是效率比奇数低。在数以万计或亿计的计算
2017-12-03 10:08:12
1329
Miniforge-pypy3-Linux-aarch64.sh
2020-07-20
exchange.7z
2020-05-21
gcc-10.1.0 .tar.gz
2020-05-19
深度学习matlab代码
2017-10-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人