<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[believe0ne的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/believe0ne</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; believe0ne]]></copyright><item><title><![CDATA[机器学习笔记]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/53889089</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/53889089</guid><author>believe0ne</author><pubDate>Mon, 26 Dec 2016 20:45:46 +0800</pubDate><description><![CDATA[http://www.csuldw.com/2016/02/26/2016-02-26-choosing-a-machine-learning-classifier/]]></description><category></category></item><item><title><![CDATA[[caffe] 使用笔记]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/53575578</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/53575578</guid><author>believe0ne</author><pubDate>Sun, 11 Dec 2016 21:14:38 +0800</pubDate><description><![CDATA[snapshot 再训练命令 #!/usr/bin/env shcd ~/caffe
./build/tools/caffe train \
  --solver=examples/ResDN/ResDN_solver.prototxt \
  --snapshot=examples/ResDN/Conv1-_iter_5500.solverstate通过设置snapshot参数，在已有的结果上继续]]></description><category></category></item><item><title><![CDATA[[转] Caffe 基础]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/53524382</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/53524382</guid><author>believe0ne</author><pubDate>Thu, 08 Dec 2016 20:43:44 +0800</pubDate><description><![CDATA[Caffe的全称应该是Convolutional Architecture for Fast Feature Embedding，它是一个清晰、高效的深度学习框架，它是开源的，核心语言是C++，它支持命令行、python和Matlab接口，它既可以在CPU上运行也可以在GPU上运行。它的license是BSD 2-Clause。Deep Learning比较流行的一个原因，主要是因为它能够自主地从数]]></description><category></category></item><item><title><![CDATA[卷积神经网络-截自Deep Learning by Yann LeCun]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/53353935</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/53353935</guid><author>believe0ne</author><pubDate>Sat, 26 Nov 2016 19:15:49 +0800</pubDate><description><![CDATA[卷积神经网络是为了处理多维数组提出的模型。这个多维数组可以指3通道的二维数组比如颜色图像。除此之外，这种类型的数据还有许多：1维的信号或序列数组（比如文字）、二维的图像或音频频谱图以及三维的视频或立体图像。通过利用自然信号的特点，卷积神经网络的四个设计点在于局部连接、权值共享、池化以及多层结构（local connections, shared weights, pooling and the us]]></description><category></category></item><item><title><![CDATA[Learning Deep Learning]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/53053588</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/53053588</guid><author>believe0ne</author><pubDate>Sun, 06 Nov 2016 11:40:38 +0800</pubDate><description><![CDATA[深度学习的基本网络架构： 
1、LeNet 
结构设计： 
 
layer 1: 卷积层 6x6x5 
layer 1.5: 下采样层 2x2 
layer 2: 卷积层 5x5x16 
layer 2.5: 下采样层 2x2 
layer 3: 全连接层 120 
layer 4: 全连接层 84 
layer 5: soft-max 输出10个类别 
 
之后的发展趋势就是在基本的网络结构的基础]]></description><category></category></item><item><title><![CDATA[算法刷题笔记]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52955001</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52955001</guid><author>believe0ne</author><pubDate>Wed, 02 Nov 2016 21:46:24 +0800</pubDate><description><![CDATA[1、记一个挺赞的宏定义 
    #define (i) [(1+2*i)%(len|1)] 
    其作用是将[0,1,2,3,4,5,6,…,len]映射成[0,2,4,6,…,1,3,5,…]]]></description><category></category></item><item><title><![CDATA[概率相关面试题总结]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52881603</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52881603</guid><author>believe0ne</author><pubDate>Fri, 21 Oct 2016 11:28:04 +0800</pubDate><description><![CDATA[1、随机数生成器 
假设一个随机数生成器randK可以随机产生1-K之间的随机数，问如何能够构造一个randN的随机数生成器，一般来说N<KN<K。 
设N<KmN<K^m，即m个randK生成器可以生成大于N个组合，则对于n=Km/Nn=K^m/N个组合，每个组合可以表示一个randN的生成随机数 
2、随机洗牌问题 
for i in range(n): swap(a[i], a[random(]]></description><category></category></item><item><title><![CDATA[SVM分类器]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52863309</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52863309</guid><author>believe0ne</author><pubDate>Wed, 19 Oct 2016 21:01:28 +0800</pubDate><description><![CDATA[支持向量机的目的是为了找到分类间隔最大的分割超平面。 
分割超平面即距离所有样本最小距离的值最大的超平面。 
一般是通过最大化几何间隔实现。 
几何间隔： 
y(wx+b)||w||\frac{{y(wx + b)}}{{||w||}}由于通过按照一定的比例缩放，我们总可以另y(wx+1)y(wx+1)为1,从而最大化几何间隔就等价于求解1||w||\frac{1}{||w||}的最大值。将其转化为]]></description><category></category></item><item><title><![CDATA[贝叶斯分类器]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52740692</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52740692</guid><author>believe0ne</author><pubDate>Wed, 05 Oct 2016 21:22:05 +0800</pubDate><description><![CDATA[贝叶斯定理是一个条件概率或边缘概率计算公式，已知事件X下事件Y的后验概率，P(Y|X)=P(X|Y)P(Y)P(X)P(Y|X)=\frac{P(X|Y)P(Y)}{P(X)}。这里，补充一点，虽然后验概率和似然概率都是条件概率，区别在于后验概率是相对事件而言的，而似然函数是对未知参数而言的。一般来说贝叶斯分类器是根据贝叶斯定理求出后验概率（经验风险）最大的一组输出y。 
最大后验概率等价于0-1损]]></description><category></category></item><item><title><![CDATA[逻辑回归学习笔记]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52740381</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52740381</guid><author>believe0ne</author><pubDate>Wed, 05 Oct 2016 20:27:53 +0800</pubDate><description><![CDATA[逻辑回归逻辑回归是一个二分类问题，在分类过程值中可以得到代分类样本所属类别的概率。对于输入x和输出预测结果y={0,1}y=\{0,1\}，逻辑回归采用sigmoid函数，将实数域的x映射到[0,1][0,1]区间。sigmoid函数如下所示 
h(θx)=11−e−θxh(\theta x)=\frac{1}{1-e^{-\theta x}}   
则可以得到输入x属于正例和反例的概率，如下 
P]]></description><category></category></item><item><title><![CDATA[统计学习基础知识]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52740336</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52740336</guid><author>believe0ne</author><pubDate>Wed, 05 Oct 2016 20:16:24 +0800</pubDate><description><![CDATA[1、学习三要素：模型、策略、算法 
模型：即所要学习问题的条件概率分布或决策函数，即想要解决什么样的问题以及对该问题的统计学抽象，加上一定的假设。 
策略：学习最优模型的优化方法，一般有两种：经验风险最小化和结构风险最小化。这两个方法是可以同时使用的，一般来说，也都是同时使用的。 
    经验风险最小化，可以简单理解为对损失函数期望的最小化估计。期望风险就是泛化误差，即该模型对未知数据的预测能力。]]></description><category></category></item><item><title><![CDATA[[水滴石穿]  从实例开始学习shell script]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52191679</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52191679</guid><author>believe0ne</author><pubDate>Fri, 12 Aug 2016 17:11:49 +0800</pubDate><description><![CDATA[1、var='Hello World', 求var的长度
      >> ${#var}
2、算数运算
      >> c=`expr $a + $b`  #此处算数运算符中间的空格不可以省略
      >> let c=a+b
     >>  c=$[ a+b ]
     >>  c=$(( a+b ))


2、统计file第8行的字数
     >> sed -]]></description><category></category></item><item><title><![CDATA[chmod命令学习笔记 注意事项]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52189923</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52189923</guid><author>believe0ne</author><pubDate>Fri, 12 Aug 2016 11:17:34 +0800</pubDate><description><![CDATA[chmod是用来改变文件存取模式的命令


Note：
* 用户组：
  u 当前用户 当前用户属性
  g 用户组     用户组所有属性
  o 其他         其他用户属性
  a 所有用户

* 权限：
   r 读

   w 写

   x 执行
   t 设置粘着位
   s 

* 注意事项：
   chmod u+s file  使f]]></description><category></category></item><item><title><![CDATA[计算文件夹下文件行总数的一个小demo]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/52095776</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/52095776</guid><author>believe0ne</author><pubDate>Tue, 02 Aug 2016 16:49:44 +0800</pubDate><description><![CDATA[第一种尝试：未解决文件夹嵌套、文件夹识别等问题]]></description><category></category></item><item><title><![CDATA[支持向量机学习笔记]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/51779095</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/51779095</guid><author>believe0ne</author><pubDate>Tue, 28 Jun 2016 21:54:24 +0800</pubDate><description><![CDATA[支持向量机


支持向量机的目的是为了找到分类间隔最大的分割超平面。
分割超平面即距离所有样本最小距离的值最大的超平面。
一般是通过最大化几何间隔实现。
几何间隔：其中,为




由于通过按照一定的比例缩放，我们总可以另为1,从而最大化几何间隔就等价于
求解的最大值。


将其转化为求最小值的问题，可得目标函数：
s.t


其lagrange函数为

]]></description><category></category></item><item><title><![CDATA[top 命令]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/51760409</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/51760409</guid><author>believe0ne</author><pubDate>Sat, 25 Jun 2016 22:23:44 +0800</pubDate><description><![CDATA[top: linux 下常用性能分析工具，能够实时的显示各个进程的占用情况。 

       在前台使用该命令，将独占前台直至终止进程


参数

d 指定每两次屏幕信息刷新之间的时间间隔(during)。当然用户可以使用s交互命令来改变之。

p 通过指定监控进程ID来仅仅监控某个进程的状态(pid)。 
q 该选项将使top没有任何延迟的进行刷新。如果调用程序有超级用户权]]></description><category></category></item><item><title><![CDATA[虚继承类内存大小计算]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/51284453</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/51284453</guid><author>believe0ne</author><pubDate>Fri, 29 Apr 2016 21:48:02 +0800</pubDate><description><![CDATA[参考文档：http://blog.youkuaiyun.com/hackbuteer1/article/details/7883531


计算公式基于64-bit os，指针大小为8



问题一：含有虚函数类继承的类大小计算


#include
using namespace std;
class A
{};
class B
{
    char ch;
    virtual vo]]></description><category></category></item><item><title><![CDATA[虚函数表的测试小demo]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/51284307</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/51284307</guid><author>believe0ne</author><pubDate>Fri, 29 Apr 2016 21:15:21 +0800</pubDate><description><![CDATA[关于若干种继承下虚函数表的访问
        基于64bit os实现，32bit请自动换成int *
#include 
#include 
#include
using namespace std;
// the step of construction and deconstruction
class Base
{
public:
    virtual void f(){cout<<]]></description><category></category></item><item><title><![CDATA[opencv Mat子矩阵赋值小tip]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/51009809</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/51009809</guid><author>believe0ne</author><pubDate>Tue, 29 Mar 2016 22:11:39 +0800</pubDate><description><![CDATA[总所周知，Mat类型由头部和数据两个部分组成，从一个Mat中提取的子矩阵共享相同的储存空间。
基于以上知识，在进行Mat子矩阵赋值的时候，首先需要得到Mat的子矩阵。
这里设初始矩阵为A，子矩阵为Mat B=A(rect(0,0,m,n))或Mat B(A,rect(0,0,m,n))或iB=A(Range(0, m), Range(0, n)))都是可以的。
在进行赋值时，请注意：
1、]]></description><category></category></item><item><title><![CDATA[imshow显示图像灰色]]></title><link>https://blog.youkuaiyun.com/believe0ne/article/details/50949576</link><guid>https://blog.youkuaiyun.com/believe0ne/article/details/50949576</guid><author>believe0ne</author><pubDate>Mon, 21 Mar 2016 19:40:19 +0800</pubDate><description><![CDATA[需要添加cvWaitKey()]]></description><category></category></item></channel></rss>