autocyz

ubuntu下让theano使用GPU在ubuntu下安装完theano以及cuda后，可以使用如下程序来测试你当前是否使用了GPU：from theano import function, config, shared, sandboximport theano.tensor as Timport numpyimport timevlen = 10 * 30 * 768 # 10 x #c

MTCNN实现流程文章：https://arxiv.org/pdf/1604.02878.pdfcode：1、mxnet上的实现：https://github.com/Seanlinx/mtcnn2、tensorflow上的实现：https://github.com/AITTSMD/MTCNN-Tensorflow3、pytorch上的实现： https://github.com/Tro...

1、安装nvidia驱动首先去官网上查看适合你GPU的驱动（http://www.nvidia.com/Download/index.aspx?lang=en-us） 例如，本人的GPU适合的驱动如图： 执行如下语句，安装sudo add-apt-repository ppa:graphics-drivers/ppasudo apt-get updatesudo apt-get instal

L1相较于L2的稀疏性在机器学习中，常见的正则化项有L1（L=∑|w|L=\sum|w|）和L2(L=||w||2L=||w||^2)，并且也经常会看到L1相较于L2有较高的稀疏性，虽然记住了这句话的内容，但总是不理解其具体含义，也不理解为何又稀疏性，在研究了一番后，有了一些理解，因此分享给大家。 （本文部分内容和图片引用自：https://www.zhihu.com/question/37096

Zero-shot Learning参考文献《Zero-Shot Learning with Semantic Output Codes》背景在分类问题中，因为数据库大小有限，因此在使用分类模型进行预测时，出现了在训练集没有出现过的类别。举个例子，我们有个小型数据库，里面所含的类别只有人、鸟、汽车，经过我们的训练，发现模型对于这些类别的目标已经有很好的性能了，但是突然出现了一个新的类别——狗，此时模

Fully-Convolutional Siamese Networks for Object Tracking这两年可以说deeplearning已经占领了visual object tracking这个领域，但是对于跟踪问题来说，这些基于DL的做法虽然能够很好的提升跟踪的效果，但是在时效性这一方面却做的很差，这是因为DL复杂的模型往往需要很大的计算量，尤其是当使用的DL模型在跟踪的时候对模型进行

Contrastive Loss (对比损失)在caffe的孪生神经网络（siamese network）中，其采用的损失函数是contrastive loss，这种损失函数可以有效的处理孪生神经网络中的paired data的关系。contrastive loss的表达式如下： L=12N∑n=1Nyd2+(1−y)max(margin−d,0)2L=\frac{1}{2N}\sum_{n=1}

本文参考了： https://github.com/BVLC/caffe/wiki/Ubuntu-16.04-or-15.10-Installation-Guide https://gist.github.com/wangruohui/679b05fcd1466bb0937f#file-caffe-ubuntu-15-10-md http://blog.youkuaiyun.com/g0m3e/artic

在文章开始前，先辨析几个概念GPU、NVIDIA、NVIDIA驱动、CUDA、cudnn等，这些概念对于一个新手来说肯定是很晕的，正如我当初一样，所以我这里就稍微介绍一下这几个概念：GPU:Graphics Processing Units，也就是我们常说的显卡。现在的笔记本或者台式机都会有显卡，但是能够让我们用来做并行计算的真正的GPU就只有NVIDIA出产的GPU了。NVIDIA：GPU生产

中国计算机学会推荐国际学术刊物1、A类刊物简称刊物全称出版社网址AIArtificial IntelligenceElsevierhttp://www.journals.elsevier.com/artificial-intelligence/TPAMIIEEE Trans on Patte

反向传播算法是多层神经网络的训练中举足轻重的算法，本文着重讲解方向传播算法的原理和推导过程。因此对于一些基本的神经网络的知识，本文不做介绍。在理解反向传播算法前，先要理解神经网络中的前馈神经网络算法。前馈神经网络如下图，是一个多层神经网络的简单示意图： 给定一个前馈神经网络，我们用下面的记号来描述这个网络： LL：表示神经网络的层数； nln^l：表示第ll层神经元的个数； fl(∙)f

神经网络中的各种优化方法大家耳熟能详的优化方法有梯度下降法（Gradient Descent）、随机梯度下降法（Stochastic Gradient Descent）、Adam方法等等。虽然很多听过甚至用过这些方法，但是却未必能够说出他们的区别，已经什么时候改用什么样的优化算法。这篇文章将会从原理、区别和使用场景等角度详细介绍神经网络中的各种优化算法。什么是优化算法优化算法就是一种能够帮我...