2017年12月_zxyhhjs2017

转载深度学习---之Convolution层

转载：http://www.cnblogs.com/lutingting/p/5240629.html注：卷积层默认stride为1 在caffe中，网络的结构由prototxt文件中给出，由一些列的Layer（层）组成，常用的层如：数据加载层、卷积操作层、pooling层、非线性变换层、内积运算层、归一化层、损失计算层等；本篇主要介绍卷积层参考1. 卷积层总述下面首先给出...

2017-12-30 21:51:02 851

转载深度学习---之loss层

转载：http://blog.csdn.net/shuzfan/article/details/51460895Loss Functionsoftmax_loss的计算包含2步：（1）计算softmax归一化概率（2）计算损失这里以batchsize=1的2分类为例：设最后一层的输出为[1.2 0.8],减去最大值后为[0 -0.4]，然后计算归一化概率得到[0...

2017-12-30 21:26:35 1992

转载深度学习---之Concat

转载：http://blog.csdn.net/shuzfan/article/details/54565776注：在写u-net网络的时候有用到 ———————— Concat —————————concat层实现输入数据的拼接。该层有两个相同作用的参数：message ConcatParameter { //指定拼接的维度，默认为1即以channel通道进行拼接;支...

2017-12-30 19:53:33 14528

转载深度学习---之caffe中的Crop层

转载：https://www.cnblogs.com/kunyuanjushi/p/5937083.html　　在Fully Convolutional Networks（FCN）中，会用到Crop 层，他的主要作用是进行裁切。下面我们举一个例子来说明如何使用Crop 层。　　Caffe中的数据是以 blobs形式存在的，blob是四维数据，即（Batch size, number...

2017-12-30 19:45:09 833

原创机器学习---之损失函数求最小值为什么不用导数为0的点而用梯度下降法

1.因为，损失函数可能有无限个极值点，你并不知道哪个点可以使损失函数最小，如下图中的损失函数：2.而使用梯度下降法虽然不一定能求导全局最小值，但可以求导局部最小值，也能使损失函数降低为0,如下图所示：3.如果损失函数是凹的或者是凸的时候，一定可以找到全局最优解，这个时候，在训练过程中你可以看到损失函数可能早都为0了，但还是在不断迭代找全局最优解，这个过程可能是无限的，因

2017-12-28 20:39:38 9831 2

转载机器学习---之逻辑回归中损失函数的由来

转载：https://www.zhihu.com/question/47744216宋佳慧爱数学的程序猿19 人赞同了该回答首先，要明确逻辑似地回归为什么要用似然函数方程来求极值。我觉得很大一部分原因在于逻辑斯蒂回归模型本质上是一个“概率模型”。具体可以参看《统计学习方法》中，关

2017-12-19 15:01:57 3603

原创机器学习---之sigmoid函数为什么用于逻辑回归

注：逻辑回归的sigmoid函数由来是通过贝叶斯变换而来的，通过一系列的假设变化来的，p(Y)服从伯努力分布，大于0.5就是第一类，小于则是第二类，然后那个z0=wx+w0是一个决策边界，这个决策边界通过最大似然估计和梯度下降法来决定，并不是一个回归的过程。

2017-12-19 14:51:10 1483

转载逻辑回归到底是线性的还是非线性的？

转载：https://www.zhihu.com/question/29385169/answer/44177582辛俊波机器学习/数据挖掘/户外/摄影29 人赞同了该回答谢邀。逻辑回归的模型引入了sigmoid函数映射，是非线性模型，但本质上又是一个线性回归模型，因为除去sigmoid

2017-12-19 14:44:21 21994

转载 logistic回归，以及决策边界与回归的区别

1、总述逻辑回归是应用非常广泛的一个分类机器学习算法，它将数据拟合到一个logit函数(或者叫做logistic函数)中，从而能够完成对事件发生的概率进行预测。2、由来要说逻辑回归，我们得追溯到线性回归，想必大家对线性回归都有一定的了解，即对于多维空间中存在的样本点，我们用特征的线性组合去拟合空间中点的分布和轨迹。如下图所示：线性回归能对

2017-12-19 14:34:43 6645

转载极大似然估计

转载：http://blog.csdn.net/zengxiantao1994/article/details/72787849极大似然估计以前多次接触过极大似然估计，但一直都不太明白到底什么原理，最近在看贝叶斯分类，对极大似然估计有了新的认识，总结如下：贝叶斯决策首先来看贝叶斯分类，我们都知道经典的贝叶斯公式

2017-12-19 14:23:49 256

原创数字图像---之jpg,bmp,raw,png

jpg,png,都是一种压缩图片格式，即图像会受到一定的压缩，丢失一些信息，就比如苹果手机一般都是jpg格式，大小也就4M左右，如果不是压缩格式的话，800万的摄像头拍出来的照片会有15M左右的大小所以我的理解是，手机拍照之后，会自动压缩，基本大小在5M左右而BMP是windows下的一种原图格式，raw是夜市一种原图格式jpg,png都是压缩格式

2017-12-10 21:27:16 1881

转载数字图像---之调色板

转载：http://bbs.csdn.net/topics/20482486随便的一幅256色BMP的图像比如调色板区域的内容为：00 00 00 00 00 00 40 00 00 00 80 00 00 00 FF 00 00 20 00 00 00 20 40 00 00 20 80 00 00 20 FF 0

2017-12-10 19:05:15 1326

转载 matlab---之ceil与fix,round函数

转载：http://www.ilovematlab.cn/thread-91895-1-1.htmlMatlab取整函数有: fix, floor, ceil, round.具体应用方法如下：fix朝零方向取整，如ceil(-1.3)=-1; fix(1.3)=1;floor，顾名思义，就是地板，所以是取比它小的整数，即朝负无穷方向取整，如floor(-1.3)=-2; floor

2017-12-03 20:26:24 354

转载 matlab---之params.variable

转载：https://zhidao.baidu.com/question/484336279.htmlMatlab 如何提取cell里面的元素30cell里面包含着cell元素，如>> a={1,2,3};>> b={3,2,4};>> l(1)={a};>> l(2)={b};这样怎么还能提取到原来a和b 的元素？晴雨伞bb| 浏览 7401 次问题未

2017-12-03 19:53:49 3387

转载深度学习---之hdf5,lmdb

转载：http://blog.csdn.net/mrhiuser/article/details/69603826转载:http://blog.csdn.net/zykimmy/article/details/52950441 1、HDF5介绍HDF 是用于存储和分发科学数据的一种自我描述、多对象文件格式。HDF 是由美国国家超级计算应用中心（NCSA）创建的，以满足不同群体的科学...

2017-12-01 20:48:02 8174

原创深度学习---之回归，分类

一.回归：什么是回归？如果有一个数据集x，它所对应的真实值y1，回归就是通过将这些数据集拟合出一个函数关系，使得y2=g(x)，当然拟合不可能那么完美，所以就会有误差，这个误差就是y2-y1，即拟合出来的值，减去真实值。思想：就是通过已知的x和对应的y1，拟合出来的y2，可以去预测未知的值，比如我知道一个变量5，我将他代入y2=g(x)，得出的y2就是一个比较符合原

2017-12-01 20:31:46 25330 4

原创 [服务器搭建]----ubuntu14.04+cuda8.0+matlab+opencv+cudnn+caffe超级详细教程

首先在阅读这篇文章前要做好心理准备：一.caffe是最难安装的软件，没有之一，所以你要做好出现各种问题的准备。二这篇文章本身不短，所以请耐心仔细读下去，如果出现问题欢迎跟博主讨论.准备工作：1.1首先查看自己的电脑的显卡是否支持nvidia驱动：（看看这个表里有没有你的驱动）点击打开链接1.2如果提示你安装依赖的问题，则有可能是Ubuntu源的问题，需要更换源，

2017-12-01 19:30:44 383

原创 matlab---之squeeze函数

squeeze函数就是删除矩阵中的一维，1.例如a=rand(2,1,3)将删掉为1的那一维2.如果是a=rand(2,1,1,1,3)那就是将所有为1的维度全部删除3.如果是行向量，列向量，二维矩阵，和标量，将不删除4.如果a=rand(2,3,4)没有为1的维度，则不删除5.如果a=(2,1,1)两个为1的维度，其实他就是一个列向量，不删除。

2017-12-01 11:51:30 2190

zxyhhjs2017的博客