cs24k1993的博客

1，先按以下操作：开机，在 GRUB 选择界面按 E，这时界面变成了一个编辑器。在倒数几行找到 ro quiet splash然后删掉quiet，改成text，接着按F10这时你已进入操作系统（ctrl+alt+F1-F6），输入用户名密码登录。2，然后输入以下代码：sudo add-apt-repository ppa:bumblebee/stablesudo ap...

训练好caffemodel后，需要测试模型分类的正确率，caffe 有 python接口，可以调用已训练好的caffemodel测试分类。 有以下几点需要注意：1， 需要修改 net.prototxt 文件为 deploy.prototxt 文件，方法见我的另一个博客。deploy= '/home/justin/cnn-human/code/deploy.prototxt' #结构文

训练好网络模型后，需要在测试集上验证模型分类的正确率，这时，就需要把训练的网络文件net.prototxt修改为deploy.prototxt，然后再进行测试。输入数据层改动如下：name: "SpecNet"layer { name: "spectr" type: "Data" top: "data" top: "label" include { phase

机器学习中一个重要的话题便是模型的泛化能力，泛化能力强的模型才是好模型，对于训练好的模型，若在训练集表现差，不必说在测试集表现同样会很差，这可能是欠拟合导致；若模型在训练集表现非常好，却在测试集上差强人意，则这便是过拟合导致的，过拟合与欠拟合也可以用 Bias 与 Variance 的角度来解释，欠拟合会导致高 Bias ，过拟合会导致高 Variance ，所以模型需要在 Bias 与 Vari

A. solver.prototxt：net:训练预测的网络描述文件，train_test.prototxt test_initialization:取值为true或者false，默认为true，就是刚启动就进行测试，false的话不进行第一次的测试。test_iter:在测试的时候，需要迭代的次数，即test_iter* batchsize（测试集的）>=测试集的大小，测...

caffe的c++主程序（caffe.cpp)放在根目录下的tools文件夹内, 当然还有一些其它的功能文件，如：convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在这个文件夹内。经过编译后，这些文件都被编译成了可执行文件，放在了 ./build/tools/ 文件夹内。因此我们要执行caffe程序，都需要加 ./build/tools/ 前缀。

我们在使用caffe训练过程中会生成.caffemodel和.solverstate文件，一个是模型文件，一个是中间状态文件（生成多少个取决于你自己设定的snapshot）。当训练过程中断，你想继续运行数据学习，此时只需要调用.solverstate文件即可。使用方式代码，我使用的是.sh直接运行，配置和官方给的文件train_caffenet.sh差不多，稍微添加点内容就可以了。 ./build

caffe solver参数意义与设置batchsize:每迭代一次，网络训练图片的数量，例如：如果你的batchsize=256，则你的网络每迭代一次，训练256张图片；则，如果你的总图片张数为1280000张，则要想将你所有的图片通过网络训练一次，则需要1280000/256=5000次迭代。epoch：表示将所有图片在你的网络中训练一次所需要的迭代次数，如上面的例子：5000次；我们称之为

在caffe的训练过程中，大家难免想图形化自己的训练数据，以便更好的展示结果。如果自己写代码记录训练过程的数据，那就太麻烦了，caffe中其实已经自带了这样的小工具 caffe-master/tools/extra/parse_log.sh caffe-master/tools/extra/extract_seconds.py和 caffe-master/tools/extra/plot_trai

1，L1会趋向于产生少量的特征，而其他不重要的特征都为0，会产生稀疏性，可以用来选择特征，也能一定程度上防止过拟合。而L_2会选择更多的特征，特征值都趋近于0，防止过拟合。Lasso在选择特征时非常有用，而Ridge就只是规则化而已。所以在所有特征中只有少数特征起重要作用的情况下，选择Lasso进行特征选择。而所有特征中大部分特征都能起作用，而且作用很平均，那么使用Ridge会更合适。2，...

如果不降维，将导致 数据分布在一个极小的区域内。也叫维度灾难。比如说，球的体积是 v 正比于 R^3。在R/2的同心球，体积正比于(R/2)^3。同心小球是全球的体积八分之一。如果是多维球，球的大部分体积 分布在球表面内侧的“很薄”的一层，比如千/万维的话….所以要降维。不降维，高维特征没啥用，比如人脸识别….PCA是无类别信息，不知道样本属于哪个类，用PCA，通常对全体数据操作。PCA的计...

今天在Ubuntu更新NVIDIA显卡驱动之后卡在登陆界面就黑屏了，在tty下输入以下命令就可以重新进入桌面。sudo apt-get remove --purge nvidia-* sudo apt-get install ubuntu-desktop sudo rm /etc/X11/xorg.conf 参考：http://blog.youkuaiyun.com/zzycsx/article/de

1，首先按照NVIDIA document上的规范，完成post-install。http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#post-installation-actions 2，禁掉 nouveau 开源驱动，通过下面的命令检查是不是成功禁止掉开源驱动，若输入命令后shell没有显示其他内容，...

1，在/home/justin/caffe/tools路径下，有一个convert_imageset.cpp文件，文件开头讲了convert_imageset的用法，如下所示代码：// This program converts a set of images to a lmdb/leveldb by storing them// as Datum proto buffers.//

需要三个文件，以mnist为例，有这三个 train_lenet.sh，lenet_solver.prototxt，lenet_train_test.prototxt。 总的来说，执行 train_lenet.sh，程序会调用lenet_solver.prototxt，然后调用lenet_train_test.prototxt，再开始训练网络。 ①其中， train_lenet.sh是自己定义

1，换行： 方法1：连续两个以上空格+回车 方法2：使用html语言换行标签：<br>2，首行缩进两个字符：(每个表示一个空格，连续使用两个即可）  半角的空格。   全角的空格。 3，字体、字号与颜色:   Markdown是一种可以使用普通文本编辑器编写的标记语言，通过类似HTML的标记语法，它可以使普通文本内容具有一定的格式。但是它

总结：loc需要传入的是index的label。iloc需要传入的是index的position（行号）ix优先按label索引，如果找不到label，再按position索引。例如：>>> s = pd.Series(np.nan, index=[49,48,47,46,45, 1, 2, 3, 4, 5])>>> s49 NaN48 NaN47 NaN46 NaN45

一、梯度下降法　　在机器学习算法中，对于很多监督学习模型，需要对原始的模型构建损失函数，接下来便是通过优化算法对损失函数进行优化，以便寻找到最优的参数。在求解机器学习参数的优化算法中，使用较多的是基于梯度下降的优化算法(Gradient Descent, GD)。　　梯度下降法有很多优点，其中，在梯度下降法的求解过程中，只需求解损失函数的一阶导数，计算的代价比较小，这使得梯度下降法能在很多

1， 在成功编译caffe的源码之后，可以在python环境中使用caffe。在Ubuntu环境下，打开python解释程序，输入import caffe时，可能会出现 ImportError: No module named caffe>>>import caffe Traceback (most recent call last): File "", line 1,

图片减去均值后，再进行训练和测试，会提高速度和精度。因此，一般在各种模型中都会有这个操作。那么这个均值怎么来的呢，实际上就是计算所有训练样本的平均值，计算出来后，保存为一个均值文件，在以后的测试中，就可以直接使用这个均值来相减，而不需要对测试图片重新计算。一、二进制格式的均值计算caffe中使用的均值数据格式是binaryproto, 作者为我们提供了一个计算均值的文件compute_

1，cuda8.0使用nvcc编译程序出现warning:The ‘compute_20’, ‘sm_20’, and ‘sm_21’ architectures are deprecated的解决办法 2，Ubuntu 14.04 关闭桌面3，cuda8.0部署在ubuntu14.04+GTX1080上需要注意的几个问题 4，安装CUDA 出现libEGL.so.1 is not a symbol

要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个层（layer）构成，每一层又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。层有很多种类型，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的方式进行。

所有的层都具有的参数，如name, type, bottom, top和transform_param请参看我的前一篇文章：Caffe学习系列(1)：数据层及参数本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。1、Convolution层：

1，特征工程之缺失值与离群值处理 2，使用sklearn做单机特征工程及特征工程流程 3，机器学习中，有哪些特征选择的工程方法？ 4，Discover Feature Engineering, How to Engineer Features and How to Get Good at It？ 5，XGBoost参数调优完全指南（附Python代码） 6，XGBoost-Python...