<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[KGzhang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/KGzhang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; KGzhang]]></copyright><item><title><![CDATA[ubuntu16.04 利用pyenv安装anaconda3+pycharm]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/78619434</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/78619434</guid><author>KGzhang</author><pubDate>Thu, 23 Nov 2017 21:48:23 +0800</pubDate><description><![CDATA[首先，装上我们需要的pyenv，方便anaconda的安装，也可以方便后面不同python版本之间的切换git clone https://github.com/yyuu/pyenv.git ~/.pyenv
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrc
echo 'export PATH="$PYENV_ROOT/bin:$PATH"']]></description><category></category></item><item><title><![CDATA[torch.autograd方法类Variable]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/77483383</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/77483383</guid><author>KGzhang</author><pubDate>Wed, 23 Aug 2017 14:24:44 +0800</pubDate><description><![CDATA[torch.autograd提供实现任意标量值功能的自动区分的类和功能。 它需要对现有代码进行最小的更改，只需将所有张量包装在Variable对象中。 
Variable API与常规Tensor API几乎相同（除了几个需要对梯度计算的输入进行重写的in-place方法外）。在大多数情况下，Tensors可以安全地替换为Variable，代码将保持工作正常。所以，在这里只介绍有别于Tensors]]></description><category></category></item><item><title><![CDATA[torch.optim优化算法理解之optim.Adam()]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/77479737</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/77479737</guid><author>KGzhang</author><pubDate>Tue, 22 Aug 2017 14:25:52 +0800</pubDate><description><![CDATA[torch.optim是一个实现了多种优化算法的包，大多数通用的方法都已支持，提供了丰富的接口调用，未来更多精炼的优化算法也将整合进来。 
为了使用torch.optim，需先构造一个优化器对象Optimizer，用来保存当前的状态，并能够根据计算得到的梯度来更新参数。 
要构建一个优化器optimizer，你必须给它一个可进行迭代优化的包含了所有参数（所有的参数必须是变量s）的列表。 然后，您可以]]></description><category></category></item><item><title><![CDATA[Conditional adversarial networks]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/77197808</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/77197808</guid><author>KGzhang</author><pubDate>Thu, 17 Aug 2017 14:09:59 +0800</pubDate><description><![CDATA[GAN网络在训练生成模型受到了广泛的青睐，文章介绍一个具有条件限制的GAN网络，通过简单的输入数据，来构建我们所需要的条件化的生成器和判别器。文章表明，该模型可以用于学习多模态模型，通过提供了图像标记应用程序的初步示例，演示了该方法如何生成不属于训练标签的描述性标签。 
生成式对抗网络近期作为训练生成模型的替代框架，以回避近似许多棘手概率计算问题的困难。 
对抗网络的优点是不需要马可夫链，只需要反向]]></description><category></category></item><item><title><![CDATA[shell脚本的始末]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/76820950</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/76820950</guid><author>KGzhang</author><pubDate>Mon, 07 Aug 2017 10:48:51 +0800</pubDate><description><![CDATA[一个 shell 脚本就是一个包含一系列命令的文件。shell 读取这个文件，然后执行里面的所有命令，就好像这些命令已经直接被输入到了命令行中一样。 
shell不仅是一个功能强大的命令行接口,也是一个脚本语言解释器，大多数能够在命令行中完成的任务也能够用脚本来实现。 
创建和使用shell脚本的步骤包含： 
1、编写一个脚本：好的文本编辑器都会支持语法高亮，这样我们就能够看到一个脚本关键字的彩色编]]></description><category></category></item><item><title><![CDATA[8中提升模型精度的方法]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/76682605</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/76682605</guid><author>KGzhang</author><pubDate>Fri, 04 Aug 2017 14:13:41 +0800</pubDate><description><![CDATA[模型开发周期需要经历从数据收集到模型构建的各个阶段。 
在这之前重要的是花时间思考给定的问题并获得专业领域知识。 
在这个阶段，你应该对这个问题采取结构化思维，即考虑一个特定问题的所有可能方面的思考过程。 
一、获取更多的数据 
增加数据往往是一个很好的思路，这样可以数据可以“告诉”我们更多的信息，而不是仅仅依靠假设和弱相关性来构建模型，更多的数据无疑能带来更好更精确的模型。 
科学竞赛中获取到的数]]></description><category></category></item><item><title><![CDATA[深度学习中30个关于数据的问题]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/76641307</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/76641307</guid><author>KGzhang</author><pubDate>Thu, 03 Aug 2017 18:09:35 +0800</pubDate><description><![CDATA[（1）下面的数据是线性可分的嘛？   否 
 
（2）下面哪个是通用的模型逼近器？ 
A) Kernel SVM 
B) Neural Networks 
C) Boosted Decision Trees 
D) All of the above 
D：以上所有都可以得到一个近似的函数。 
（3）下面那个问题可以用深度学习来解决？     D 
A：蛋白质结构预测 
B：化学反应的预测 
C：外来]]></description><category></category></item><item><title><![CDATA[Network In Network理解]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/76215347</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/76215347</guid><author>KGzhang</author><pubDate>Fri, 28 Jul 2017 09:47:52 +0800</pubDate><description><![CDATA[文章提出一个全新的叫做“Network In Network”（NIN）的深度网络结构，加强了模型对接受区域（receptive field）内部块的识别能力。经典的卷积层利用线性滤波器跟着一个非线性激活函数来扫描输入，文章建立了一个结构更复杂的微型神经网络来提取接受区域内的数据，并用多层感知机（更有效的函数逼近器）来实例化这个微型神经网络。通过微型网络来强化局部模型的表达能力，可以在分类层上将全]]></description><category></category></item><item><title><![CDATA[python用dlib关键点将人脸背景区域去除]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/75570843</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/75570843</guid><author>KGzhang</author><pubDate>Thu, 20 Jul 2017 18:00:58 +0800</pubDate><description><![CDATA[在上一篇的工作基础上，检测到人脸的关键点，并利用这些关键点组成一个区域，对区域外的背景置0;话不多说，先上代码：if __name__=='__main__':
    path = 'res/00014206.jpg'
    img = io.imread(path)
    region = get_landmarks(img)
    print img.shape
    shape =]]></description><category></category></item><item><title><![CDATA[Dlib人脸检测及关键点描述的python实现]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/75309395</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/75309395</guid><author>KGzhang</author><pubDate>Tue, 18 Jul 2017 16:41:47 +0800</pubDate><description><![CDATA[首先，安装dlib、skimage前；先安装libboostsudo apt-get install libboost-python-dev cmake接下来到dlib官网dlib.net下载最新的dlib版本（我下的是dlib-19.7），进入文件所在目录解压bzip2 -d dlib-19.7.tar.bz2
tar xvf dlib-19.7.tar这是一个二级解压过程，解压得到文件dlib-]]></description><category></category></item><item><title><![CDATA[踩着坑画bounding-box]]></title><link>https://blog.youkuaiyun.com/KGzhang/article/details/75014093</link><guid>https://blog.youkuaiyun.com/KGzhang/article/details/75014093</guid><author>KGzhang</author><pubDate>Wed, 12 Jul 2017 15:00:12 +0800</pubDate><description><![CDATA[首先介绍一下工作要求：针对nyu_depth_v2_labeled.mat数据，实现用python读取mat文件里面的数据并在mat中图片上画出每个物品的bounding-box。 
首先，通过h5_file = h5py.File(“nyu_depth_v2_labeled.mat”)用h5py将mat数据转化为矩阵;file=scipy.io.loadmat('splits.mat')
##遍历]]></description><category></category></item></channel></rss>