什么是卡尔曼滤波?你可以在任何含有不确定信息的动态系统中使用卡尔曼滤波器来对系统的下一步做出有根据的预测。即使有噪声信息的干扰，卡尔曼滤波器也能弄清楚真实发生的事情。卡尔曼滤波器非常适合持续变化的系统。它运行速度快，占用内存小(只需记录前一个状态)，对于实时性问题和嵌入式系统而言是理想选择。你从google上搜索到的关于卡尔曼滤波器的数学实现往往相当复杂，但事实上卡尔曼滤波器很简单，只...

在Mac上安装完Anaconda3后正准备通过conda install xgboost来安装xgboost，结果出现下面的错误：通过查询资料意识到Anaconda3原生的python版本为3.6，添加3.5版本的python后可以解决这个问题。conda create -n py35 python=3.5激活3.5使用以下命令：source activate py35撤销激活使用以下命令：sou...

    在CentOS7.4上安装了anaconda3,在跑深度学习模型的时候遇到下面这个错误：from PyQt5 import QtCore, QtGui, QtWidgetsImportError: libGL.so.1: cannot open shared object file: No such file or directory尝试了多种方案后，最终通过以下方式解决：yum inst...

    TF-slim是tensorflow用于定义、训练、评估复杂模型的一个新的轻量级的高级API(tensorflow.contrib.slim)。最近正好研究了一下DenseNet，这里基于tf-slim框架并结合论文实现一个DenseNet网络，并用来进行训练。tf-slim框架代码可见github：https://github.com/tensorflow/models/tree/mas...

介绍 深度卷积神经网络(ConvNets)显著提高了图像分类和目标检测任务的准确率。和图像分类相比目标检测又更具有挑战性，这主要是两方面的原因。首先，大量候选目标的位置数据需要被处理。其次，这些候选目标提供的位置数据比较粗糙，需要进一步精调。对这些问题的解决方案通常需要权衡速度、准确率和简便性。在这篇论文中我们提出一个单阶段的训练算法，能将候选区域的分类和定位进行结合。R-CNN和S...

介绍卷积神经网络(CNNs)已成为视觉物体识别领域占据主导的机器学习方法。虽然訪方法最初于20年前提出，但直到最近由于硬件性能和网络结构上的改善才真正意义上实现深层的CNNs训练。 随着CNNs层次越来越深，新的问题随之出现。输入信息或者说梯度当经过众多层到达网络底端后会消失。这篇论文提出了一种新的连接模式：为最大化网络之间的信息流动，我们将网络中的每一层与其它层直接相连。每...

本文参考了经典的LeNet-5卷积神经网络模型对mnist数据集进行训练。LeNet-5模型是大神Yann LeCun于1998年在论文"Gradient-based learning applied to document recognition"中提出来的，它是第一个成功应用于数字识别问题的卷积神经网络。下图展示了LeNet-5模型的架构。文中所使用的卷积神经网络结构依次为输入层，卷积层1，池...

#!/bin/env/python3.6# coding: utf-8import pandas as pdfrom sklearn.cluster import MiniBatchKMeansfrom sklearn.cluster import KMeansfrom sklearn import metricsimport timeimport multiprocessing