<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[优化算法]]></title><description><![CDATA[转自：https://zhuanlan.zhihu.com/p/32230623]]></description><link>https://blog.youkuaiyun.com/Horcham</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Horcham]]></copyright><item><title><![CDATA[搬运: CVonline: 图像数据库(二) (更新于20190821)]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/99971828</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/99971828</guid><author>Horcham</author><pubDate>Wed, 21 Aug 2019 16:15:13 +0800</pubDate><description><![CDATA[对象数据库 

  各种物体和场景的2.5D / 3D数据集（Ajmal Mian）
3D对象识别立体数据集此数据集由9个对象和80个测试图像组成。（Akash Kushal和Jean Ponce）
3D摄影数据集我们实验室捕获的十个多视图数据集（Yasutaka Furukawa和Jean Ponce）
3D打印RGB-D对象数据集 - 带有groundtruth CAD模型和摄像机轨迹的5个对...]]></description><category></category></item><item><title><![CDATA[搬运: CVonline: 图像数据库(一) (更新于20190821)]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/99964480</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/99964480</guid><author>Horcham</author><pubDate>Wed, 21 Aug 2019 15:22:59 +0800</pubDate><description><![CDATA[CVonline：图像数据库
按主题索引

行动数据库
农业
属性识别
自动驾驶
生物/医药
相机校准
面部和眼睛/虹膜数据库
指纹
一般图像
一般RGBD和深度数据集
一般视频
手，手抓，手动和手势数据库
图像，视频和形状数据库检索 
对象数据库
人（静态和动态），人体姿势
人员检测和跟踪数据库（另请参阅监视）
遥感
机器人
场景或场所，场景分割或分类
分割
同时定位和映射
监督和跟踪（另见人）...]]></description><category></category></item><item><title><![CDATA[单纯基于numpy实现的神经网络框架 : numpy-net]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/99745158</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/99745158</guid><author>Horcham</author><pubDate>Mon, 19 Aug 2019 18:02:27 +0800</pubDate><description><![CDATA[numpynet
Project url: https://github.com/horcham/numpy-net/
About numpynet
Numpynet is a neural networks framework implemented by numpy.
Its coding style is like Gluon of mxnet. It can do derivation  ...]]></description><category></category></item><item><title><![CDATA[中国股票市场分析和建模的project : zystock]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/99744748</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/99744748</guid><author>Horcham</author><pubDate>Mon, 19 Aug 2019 17:59:05 +0800</pubDate><description><![CDATA[StockPrediction
Tools for getting and modeling Chinese stocks
项目地址: https://github.com/horcham/StockPrediction/
这是一个针对中国股票市场分析和建模的project，它的名字叫zystock, 它支持以下功能：

 输入股票代码，自动获取该股票的所有历史数据
 计算该股票的常用指标
 快速...]]></description><category></category></item><item><title><![CDATA[TSVM实现]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/86707821</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/86707821</guid><author>Horcham</author><pubDate>Wed, 30 Jan 2019 19:49:43 +0800</pubDate><description><![CDATA[# coding:utf-8
import numpy as np
import sklearn.svm as svm
from sklearn.externals import joblib
import pickle
from sklearn.model_selection import train_test_split,cross_val_score

class TSVM(object):...]]></description><category></category></item><item><title><![CDATA[HOG特征]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/85616394</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/85616394</guid><author>Horcham</author><pubDate>Wed, 02 Jan 2019 14:53:20 +0800</pubDate><description><![CDATA[HOG特征
方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上...]]></description><category></category></item><item><title><![CDATA[人脸识别方法概述]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/82839472</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/82839472</guid><author>Horcham</author><pubDate>Tue, 25 Sep 2018 15:05:49 +0800</pubDate><description><![CDATA[人脸识别综述
人脸识别任务对应于机器学习的分类任务。然而并不是完全一致的。在传统的分类问题中，训练模型的数据类别数与实际应用时的数据类别数是一致的，而在人脸识别任务中，实际应用时的数据类别可以完全与训练模型的数据类别不一致。打个比方：

MNIST手写数字识别任务中，用10类的手写数字数据集（记为D记为D记为D）训练和测试模型MmnistM_{mnist}Mmnist​，应用该网络对其他数据ddd...]]></description><category></category></item><item><title><![CDATA[insightface代码解读  模型输出的out与模型度量、测试的关系]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/82219136</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/82219136</guid><author>Horcham</author><pubDate>Thu, 30 Aug 2018 11:49:07 +0800</pubDate><description><![CDATA[针对于https://github.com/deepinsight/insightface 
针对train_softmax.py

line 129到line 272的get_symbol函数，定义了模型结构。其框架大体如下

def get_symbol(args,arg_params,aux_params):
    embedding = fresnet.get_symbol(...) #...]]></description><category></category></item><item><title><![CDATA[优化算法]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/82054202</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/82054202</guid><author>Horcham</author><pubDate>Sat, 25 Aug 2018 18:51:46 +0800</pubDate><description><![CDATA[优化算法



转自：https://zhuanlan.zhihu.com/p/32230623





主要框架


  待优化参数: www 
  目标函数: f(x)f(x)f(x) 
  初始学习率: αα\alpha 
  而后，开始进行迭代优化。 
  在每个epoch t：
  
  
    
    计算目标函数关于当前参数的梯度：  
    gt=∇f(wt)gt=∇f(w...]]></description><category></category></item><item><title><![CDATA[从贝叶斯方法谈到贝叶斯网络]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/78104707</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/78104707</guid><author>Horcham</author><pubDate>Tue, 26 Sep 2017 17:23:35 +0800</pubDate><description><![CDATA[从贝叶斯方法谈到贝叶斯网络


0 引言

    事实上，介绍贝叶斯定理、贝叶斯方法、贝叶斯推断的资料、书籍不少，比如《数理统计学简史》，以及《统计决策论及贝叶斯分析 James O.Berger著》等等，然介绍贝叶斯网络的中文资料则非常少，中文书籍总共也没几本，有的多是英文资料，但初学者一上来就扔给他一堆英文论文，因无基础和语言的障碍而读得异常吃力导致无法继续读下去则是非常可惜的（当]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯法]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/78065665</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/78065665</guid><author>Horcham</author><pubDate>Fri, 22 Sep 2017 17:58:48 +0800</pubDate><description><![CDATA[朴素贝叶斯的基本思想是根据贝叶斯定理以及基于特征条件独立假设的分类方法。对于给定数据集，首先根据特征条件独立假设，学习输入XX和输出YY的联合概率分布P(X,Y)P(X,Y)，然后基于此模型，对于输入xx，利用贝叶斯定理求出后验概率最大的输出yy。

设输入空间χ⊆Rn\chi \subseteq \mathbf{R}^n为nn维向量的集合，输出空间为类标记集合γ={c1,c2,⋯,cK}\gam]]></description><category></category></item><item><title><![CDATA[基于空间金字塔池化的卷积神经网络物体检测]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/78009770</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/78009770</guid><author>Horcham</author><pubDate>Sun, 17 Sep 2017 13:25:43 +0800</pubDate><description><![CDATA[基于空间金字塔池化的卷积神经网络物体检测


原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50187655

作者：hjimce

一、相关理论

   本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Vi]]></description><category></category></item><item><title><![CDATA[机器学习之分类器性能指标之ROC曲线、AUC值]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/78007827</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/78007827</guid><author>Horcham</author><pubDate>Sun, 17 Sep 2017 00:27:43 +0800</pubDate><description><![CDATA[机器学习之分类器性能指标之ROC曲线、AUC值 

分类器性能指标之ROC曲线、AUC值

一 roc曲线

1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。

横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)
...]]></description><category></category></item><item><title><![CDATA[交叉验证(Cross Validation)方法思想简介]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/78007725</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/78007725</guid><author>Horcham</author><pubDate>Sat, 16 Sep 2017 23:59:55 +0800</pubDate><description><![CDATA[交叉验证(CrossValidation)方法思想
以下简称交叉验证(Cross Validation)为CV.CV是用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train
 set),另一部分做为验证集(validation set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(model),以此来]]></description><category></category></item><item><title><![CDATA[图像识别的深度学习]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/77941262</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/77941262</guid><author>Horcham</author><pubDate>Tue, 12 Sep 2017 09:31:03 +0800</pubDate><description><![CDATA[图像识别中的深度学习









来源：《中国计算机学会通讯》第8期《专题》

作者：王晓刚

深度学习发展历史

深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。现有的深度学习模型属于神经网络。神经网络的起源可追溯到20世纪40年代，曾经在八九十年代流行。神经网络试图]]></description><category></category></item><item><title><![CDATA[Understanding-LSTMs[中文翻译]]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/77784154</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/77784154</guid><author>Horcham</author><pubDate>Sat, 02 Sep 2017 11:04:44 +0800</pubDate><description><![CDATA[原文：https://colah.github.io/posts/2015-08-Understanding-LSTMs/循环神经网络每秒钟人类都不会从头开始思考。在阅读本文时，您可以根据您对以前单词的理解来理解每个单词。你不要把所有东西都扔掉，再从头开始思考。你的想法有持久性。传统神经网络不能做到这一点，似乎是一个主要的缺点。例如，想象一下，您想要分析电影中每一点发生的事件。传统神经网络如何能够利]]></description><category></category></item><item><title><![CDATA[LASSO推导及其在恒星光谱上的应用]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/73740601</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/73740601</guid><author>Horcham</author><pubDate>Mon, 26 Jun 2017 15:34:14 +0800</pubDate><description><![CDATA[岭回归与LASSO都是基于线性回归上的算法，由于采取回归时可能会出现$\bm{w}$过大而产生过拟合的情况，因而引入惩罚项，将$\bm{w}$的范数引入损失函数中。岭回归和LASSO回归的区别在于其采用的范数不同。
岭回归（ridge regression）考虑线性回归模型，以平方误差作为损失函数，并引入$L_2$范数进行正则化，从而防止过拟合。
而LASSO则将$L_2$范数替换为$L_1$范数，其更容易得到稀疏解]]></description><category></category></item><item><title><![CDATA[滑动窗口机制]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/73729368</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/73729368</guid><author>Horcham</author><pubDate>Sun, 25 Jun 2017 20:41:23 +0800</pubDate><description><![CDATA[《深入理解计算机网络》第5章数据链路层，本章主要针对广域网中的数据链路层和局域网体系结构中的逻辑链路控制（LLC）子层的功能及相关技术进行全面、深入的介绍。本节为大家介绍滑动窗口机制。

AD：WOT2015 互联网运维与开发者大会 热销抢票 
5.4.2　滑动窗口机制
在上面介绍的XON/XOFF 流量控制方案中，为了实现发送端与接收端的速率匹配，需要往返发送一些特殊的控制字符，这样就会]]></description><category></category></item><item><title><![CDATA[GBDT（MART） 迭代决策树入门教程 | 简介]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/73368578</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/73368578</guid><author>Horcham</author><pubDate>Sat, 17 Jun 2017 09:14:07 +0800</pubDate><description><![CDATA[转自http://blog.youkuaiyun.com/w28971023/article/details/8240756

在网上看到一篇对从代码层面理解gbdt比较好的文章，转载记录一下：
GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，]]></description><category></category></item><item><title><![CDATA[FDA算法原理和python实现]]></title><link>https://blog.youkuaiyun.com/Horcham/article/details/73368558</link><guid>https://blog.youkuaiyun.com/Horcham/article/details/73368558</guid><author>Horcham</author><pubDate>Sat, 17 Jun 2017 09:00:34 +0800</pubDate><description><![CDATA[FDA原理 
FDA代码此次的数据来源为二进制文件t10k-images-idx3-ubyte，t10k-labels-idx1-ubyte，train-images-idx3-ubyte，train-labels-idx1-ubyte，分别为测试集数据、 测试集标签、 训练集数 
据、训练集标签。读入数据之后,对数据进行标准化。代码如下:import numpy as np
import pand]]></description><category></category></item></channel></rss>