BBZZ2的专栏

论文：Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomo2019-10-31 11:10:55_123杨子江阅读数 82更多分类专栏：图像处理目标检测追踪相关原文链接：https://mp.weixin.qq.com/s/UPo44DI...

知乎上对各种深度学习方法的对比：        在众多的神经网络框架如chainer, caffe, torch，mxnet等之间如何做选择？四个月前就有人提出更新对比，现在我看还没有对比更新过。        Evaluation of Deep Learning Toolkits原文：Abstract. In this study, I evalua

1. 使用Unicode字符集：出现问题E:\CodeBase\ML\Caffe\ThirdPartySrc\gflags-master\src\gflags.cc(1340): error C2664: 'BOOL PathMatchSpecW(LPCWSTR,LPCWSTR)' : cannot convert argument 1 from 'const char *' to 'LP

原文连接：http://www.techweb.com.cn/network/system/2016-01-27/2269274.shtml此文仅是一个小品文，详细理论请读论文，参考书籍。前言：我的概述        机器学习面对的是一个受限有穷空间 到 一个扩大的有穷空间 的泛化问题。若假设空间足以覆盖真实的数据空间，机器学习方法可以弃之不用，专家的人工归纳可

官网链接：http://mxnet.readthedocs.io/en/latest/tutorials/imagenet_full.htmlTraining Deep Net on 14 Million Images by Using A Single MachineThis note describes how to train a neural network o

训练好的Caffe网络结构，可以固定下来，直接载入程序作为数据库接口使用。本文使用Eric构建运行于Python环境下的图片识别应用程序。1.编译好Pycaffe之后，安装Eric4、PyQt4。   软件中心安装 Eric4、PyQt4；2.配置Eric：     根据程序设置向导配置Eric使用的Python版本、其他设置。3.建立项目：    点击Er

Caffe的Python接口官方参考：http://caffe.berkeleyvision.org/installation.html官方介绍是这样的：PythonThe main requirements are numpy and boost.python (provided by boost). pandas is useful too and ne

参考链接：http://blog.youkuaiyun.com/lingerlanlan/article/details/32329761RNN神经网络：http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/detection.ipynb官方链接：http://nbviewer.ipython.org/github/B

Caffe生成的数据分为2种格式：Lmdb 和 Leveldb它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。create_babyf

Caffe在Windows下编译还是遇到不少麻烦的...1.visual studio 2013 error C2371: 'int8_t' : redefinition;      引入的unistd.h文件里面重定义了int8_t  ，用记事本 打开文件注销之。2. error C3861: 'getpid': identifier not found  

1. 在使用网络预测图像时，prediction = net.predict( [input_image] )出现： net.image_dims[0] 不是整数情况，(2).甚至以为np.zeros()出现错误！最后发现原因：net.image_dims Out[25]: '/home/wishchin/caffe-master/python/caffe/im

1.      从https://github.com/BVLC/caffe/通过git clone下载caffe源码,master分支,版本号为09868ac：$ git  clone https://github.com/BVLC/caffe.git ；2.      先使用cmake-gui构建生成vs2013工程，发现有很多错误，提示缺少各种依赖库，根据错误提示，分别编译各种依赖库，下

系统的平台为 win10+matlab2014b+vs2013.在开始之前，要安装cuda的驱动，我使用的cuda 7.5这个版本（为了和caffe里面使用的版本同步）。首先，在https://github.com/happynear/caffe-windows下载caffe和以及此页面上提供的thirdparty（感谢作者），一定要注意版本是正确的（目前使用的是cuda

原文连接：       MXNet设计笔记之：深度学习的编程模式比较原始连接：        Programming Models for Deep Learning符号式编程 vs 命令式编程在这一节，我们先来比较符号式程序（symbolic style programs）和命令式程序（imperative style programs）两种形式。如果你是

#include #include #include using namespace cv;using namespace cv::dnn;#include #include #include using namespace std;/* Find best class for the blob (i. e. class with maximal probabi

1：Caffe的主版本只支持Linux，所以要下载专门的Caffe Windows版本，网址为https://github.com/niuzhiheng/caffe该版本需要的环境如下1）Windows 64-bit2）MS Visual Studio 20123）CUDA toolkit 6.54）Other dependencies which yo

版权声明：本文为博主原创文章，未经博主允许不得转载。本文主要介绍：经过一番周折，在Windows7 64位系统下成功配置Caffe，下面总结一下基本的配置过程，以及配置过程中遇到的问题。配置环境：Windows7 X64 + CUDA7.0 + VS2013 + Matlab2014a1.安装CUDA1.1. 版本选择 至于版本的选择，安装7.5、7.0和6.5版本都可

本教程将演示如何在一个g2.2xlarge EC2实例（运行64位Ubuntu14.04）中设置CUDA7、cuDNN、caffe和DIGITS，以及如何快速上手DIGITS。文章通过一个检测糖尿病视网膜病变的Kaggle竞赛案例来说明DIGITS的具体应用。本教程将演示如何在一个g2.2xlarge EC2实例（运行64位的Ubuntu14.04）中设置CUDA7、cuDNN、caf

花了一天时间，在电脑上安装配置了Caffe深度学习框架，网上的很多教程和指导都已经过期，中间辗转耗费了点时间，这里把个人认为最简单的方法整理如下。1 版本笔记本：ThinkPad W541Ubuntu 14.04(64-bit)双显卡： Intel(R) HD Graphics FamilyNVIDIA Quadro K2100MCUDA 7.5cuDNN

原版论文是《Mastering the game of Go with deep neural networks and tree search》，有时间的还是建议读一读，没时间的可以看看我这篇笔记凑活一下。网上有一些分析AlphaGo的文章，但最经典的肯定还是原文，还是踏踏实实搞懂AlphaGo的基本原理我们再来吹牛逼吧。需要的一些背景对围棋不了解的，其实也不怎么影响，因

深度学习斯坦福cs231n 课程笔记目录(?)[+]前言对于深度学习，新手我推荐先看UFLDL，不做assignment的话，一两个晚上就可以看完。毕竟卷积、池化啥的并不是什么特别玄的东西。课程简明扼要，一针见血，把最基础、最重要的点都点出来 了。 cs231n这个是一个完整的课程，内容就多了点，虽然说课程是computer vision

【原文：http://blog.youkuaiyun.com/yingyujianmo/article/details/45196333】CNNs调参备忘：在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网络在很多图片分类竞赛中都取得了很好的效果，但卷积网调参过程很不直观，很多时候都是碰运气。为此，卷积网络发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门

1 cifar10数据库60000张32*32 彩色图片 共10类50000张训练10000张测试下载cifar10数据库：http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz这是binary格式的，所以我们要把它转换成leveldb格式。2 在../caffe-windows/examples/cif

Leveldb和lmdb简单介绍Caffe生成的数据分为2种格式：Lmdb和Leveldb。它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。因此lmdb取代了leveldb成为Caffe默认的数据集

1. 前言前面九讲对神经网络的结构，组件，训练方法，原理等做了介绍。现在我们回到本系列的核心：计算机视觉，神经网络中的一种特殊版本在计算机视觉中使用最为广泛，这就是大家都知道的卷积神经网络。卷积神经网络和普通的神经网络一样，由『神经元』按层级结构组成，其间的权重和偏移量都是可训练得到的。同样是输入的数据和权重做运算，输出结果输入激励神经元，输出结果。从整体上看来，整个神经网络做的事情，依旧是对

博客链接：http://blog.youkuaiyun.com/chenriwei2/article/details/503210850. 引言深度学习可以说是在人脸分析相关领域遍地开花，近年来在人脸识别，深度学习在人脸检测，人脸关键点检测中有很广泛的应用，这篇文章中，初步实现了基于深度学习CNN的人脸检测。1. 方法讨论深度学习一般没有进行直接的检测，现有的检测大多都是基于分类的检测，主要的方法有两

深度学习的框架，我们熟知的有caffe，torch和convnet。最近，Google又搞了一个TensorFlow，已经开源：http://www.tensorflow.org/。据说，谷歌的深度学习研究人员都在用TensorFlow，未来也将在机器学习产品中继续使用。那么，作为小码农的我需要紧跟时代的步伐啊，探索一下这个新家伙。本博文分为两个部分，第一个部分介绍TensorFlow的安

本系列文章由 @yhl_leo 出品，转载请注明出处。 文章链接： http://blog.youkuaiyun.com/yhl_leo/article/details/51280087 折腾了一下，给工作站配置了Tensorflow环境（虽然已经转战到caffe，但是由于之前体验了tensorflow，觉得有些地方还是很对我的口，两者的编译环境我都选择了Python，如能珠联璧合

demo.py修改：#!/usr/bin/env Python# --------------------------------------------------------# Faster R-CNN# Copyright (c) 2015 Microsoft# Licensed under The MIT License [see LICENSE for d

版权声明：本文为博主在研究工作中经验分享，包括研究成果，欢迎交流和批评；其中参考资料的标注难免会有疏漏之处，如有请告知，立马更正，谢谢；未经博主允许不得转载。[cpp] view plain copy "font-size:14px;">  "1.0" encoding="utf-8"?>      "boost" version

demo来自http://docs.opencv.org/master/d5/de7/tutorial_dnn_googlenet.html应用会更加方便了 opencv:Load Caffe framework modelscd opencvmkdir buildcd buildcmake -D CMAKE_BUILD_TYPE=REL

NVIDIA 不愧是推动Deep learning 的中坚力量，之前运行2.0版本正得心应手时，就推出了3.0 版本。Github地址：https://github.com/NVIDIA/DIGITS，3.0版本的安装使用更为简洁，极易上手。更新内容：The new DIGITS 3 release improves training productivity with enhan

概述关于Tensorflow读取数据，官网给出了三种方法：供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。对于数据量较小而言，可能一般选择

（标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。SGD此处的SGD指mini-batch gradient descent，关于batch gradient descent, stochastic gradient descent, 以及 mini-batch gradient descent

配置硬件：Thunderbot 911笔记本，CPU：i7，GPU ：GeForce GTX 960m， 8G内存，120G SSD+1T 机械硬盘。 软件： ubuntu16.04+cuda8.0+cudnn v5+tensorflow 0.111. 下载1.1 系统镜像由于我尝试了ubuntu14.04，安装Nvidia驱动之后，会出现循环登录的问题，并

和TensorFlow对应的是Theano，Torch； Caffe专精于图像处理，Caffe方便，更快入门上手； 在通用的DL task上，Caffe不如Theano。 CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)开发环境搭建：一、没有GPUlearning@learning-virtual-machine:~$ lspci | grep

# -*- coding: utf-8 -*-# cifar模型:图像分类## Author: Igorimport gzipimport osimport reimport sysimport tarfileimport urllib.requestimport tensorflow as tffrom TensorFlow.cifar import cifar10_

Machine Learning ReviewsMachine Learning Reviews1曲线拟合11多项式回归2概率论21概率密度22期望与协方差23贝叶斯概率24高斯分布25贝叶斯观点下的曲线拟合问题3模型选择4决策论41最小错误分类率42最小期望损失43拒绝选项44推断和决策45回归问题的损失函数5 信息论51相

传统的做图像分割的方式大概是这样的:以某个像素点中心取一个区域,取图像块的特征做样本训练分类器,分类结果作为此像素点的结果这样做缺点很明显，比如:如何确定图像块的大小从小的图像块(patch)中获得的上下文信息(contex)较少，且极端耗时FCN的做法是训练一个end-to-end的网络，做pixel-wis

SLAM 小组讨论真是乐趣无穷。在我们进入重要的「深度学习 vs SLAM」讨论之前，我应该说明每一位研讨会展示者都同意：语义对构建更大更好的 SLAM 系统是必需的。关于未来的方向，这里有很多有趣的小对话。在争论中，Marc Pollefeys（一位知名的 SfM 和多视角几何研究者）提醒所有人「机器人是 SLAM 的一个杀手级应用」，并建议我们保持对「大奖」的关注。这令人非常惊讶，因为 SLA