iSummer的专栏

1 融合LBP和局部稀疏表示的人脸表情识别 2014：对五官进行不均匀分区，提取lbp特征，稀疏加权稀疏重构残差进行人脸表情识别。识别率不高。稀疏加权残差没读懂2 基于加权分块稀疏表示的光照鲁棒性人脸识别 2015： DCT处理，去除低频，移除光照变化分量。分块，对每个分块作基于稀疏表示分类。可以大致理解能帮助理解稀疏加权残差3 基于 Ｇａｂｏｒ 低秩恢复稀疏表示分类的人脸

在 pattern recognition 与 machine learning 的相关研究中，经常会将 dataset分为 training 跟 test 这两个 subsets，前者用以建立 model，后者则用来评估该 model 对未知样本进行预测时的精确度，正规的说法是 generalization ability。在往下叙述之前，这边就必须点出一个极为重要的观念：只有 tr

在当前很多应用中，都需要涉及图片处理。例如常见的手写体识别、车牌号码识别、人脸/动物识别等。由于我们通常得到的都是图片，这就需要我们将图片转换成数据。下面我分别针对灰度图图片转换处理。这里使用的是手写体识别的数据集 mnist ,每张图片为28*28像素，一共42000张，每张图片的label 为图片名字的第一个数字。#coding:utf-8import osfrom PIL import...

CNN是什么？全称convolutional  neiural network.属于深度学习的分支。

引言在计算机视觉方面的工作，我们常常需要用到很多图像数据集．像ImageNet这样早已大名鼎鼎的数据集，我等的百十个Ｇ的硬盘容量怕是怎么也承载不下；本文中，将给出一些Hello world级的图像数据集生成方法，以及其他相关图像数据资源的整理．本文的主要内容包括：MNIST, CIFAR-10, CIFAR-100等.png或.jpg格式数据集的生成方法；如何编写脚本生成图

通俗地说，异或门就是：两个输入如果是异性恋，输出为一。两个输入如果是同性恋，输出为零。1 感知器：2 分布式表征 (Distributed Representation)，是神经网络研究的一个核心思想。它的意思是，当你表达一个概念的时候，不是用单个神经元一对一地存储定义；概念和神经元是多对多的关系：一个概念可以用多个神经元共同定义表达，同时一个神经元也可以参与多个不同概念的

2017-6-251 Tensor Flow with CNN 做表情识别             http://blog.youkuaiyun.com/matrix_space/article/details/531481972  TensorFlow在windows上安装与简单示例      http://blog.youkuaiyun.com/darlingwood2

9down voteYou're going to need an implementation of GLUT. The easiest one to get is FreeGLUT:sudo apt-get install freeglut3 freeglut3-dev9down voteYou

比较靠谱的链接：http://blog.youkuaiyun.com/xuezhisdc/article/details/48707101注意：1 计算能力3.0 以下的不支持CUDNN加速。2 caffe 编译时，要用多线程。比如 make all j4; 4代表4个线程。查看CPU线程数 cat /proc/cpuinfo | grep 'processor' | sort -u

1 基于CNN的性别、年龄识别及Demo实现  http://blog.youkuaiyun.com/jiandanjinxin/article/details/60951571http://blog.youkuaiyun.com/hjimce/article/details/492550132  卷积神经网络全面解析http://www.moonshile.com/post/juan-j

最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充，但是补充的又是错的，难怪觉得有问题。反向传播法其实是神经网络的基础了，但是很多人在学的时候总是会遇到一些问题，或者看到大篇的公式觉得好像很难就退缩了，其实不难，就是一个链式求导法则反复用。如果

1 BP算法浅谈（Error Back-propagation）      http://blog.youkuaiyun.com/pennyliang/article/details/6695355

以前的神经网络都是采取全连接的方式，认为下一层的输出与上一层所有输入都有关。利用convolution的局部连接和权值共享，pooling的合并采样。通过全连接层送入softmax来进行分类，给出分类结果，我觉得可以。而在NIN中就没有用fc而是用了global ave再进行分类。卷积神经网络中conv+relu(

转自：http://www.jianshu.com/p/fe428f0b32c1视频地址：https://www.youtube.com/embed/FmpDIaiMIeA文档参阅：pdf [2MB] & ppt [6MB] & Web View & GitBook补充知识：深度学习 — 反向传播理论推导当你听到说深度学习打破了某项新技术障碍，那么十有八九就会涉及到卷积