<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Yolo的博客]]></title><description><![CDATA[CV小白]]></description><link>https://blog.youkuaiyun.com/dagongsmallguy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dagongsmallguy]]></copyright><item><title><![CDATA[一文深入学习什么是感受野]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/86606366</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/86606366</guid><author>dagongsmallguy</author><pubDate>Wed, 23 Jan 2019 10:54:22 +0800</pubDate><description><![CDATA[1.先举个例子：
e.g.两层 33 卷积操作的有效区域(感受野)是5∗55*55∗5 (所有filter的stride=1,pad=0),示意图如下

三层3∗33*33∗3卷积核操作的有效区域是77 (所有filter的stride=1，pad=0),示意图如下：

2. 基本定义：
定义：感受野用来表示网络内部的不同神经元对原图像的感受范围的大小，或者说，convNets(cnn)每一层输出...]]></description><category></category></item><item><title><![CDATA[巡礼卷积神经网络中的那些经典结构（二）——inception module]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85260149</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85260149</guid><author>dagongsmallguy</author><pubDate>Wed, 26 Dec 2018 12:39:19 +0800</pubDate><description><![CDATA[
这篇文章向大家介绍一下inception module这个结构，在本文中我们只对inception module进行介绍，inception v1——v4系列文章会在后续文章中推出，请大家期待。本文转载自磐创AI

一、Inception网络简介
Inception网络又叫做GoogLeNet,之所以不叫GoogleNet，是为了向LeNet致敬,是2014年ChristianSzegedy在《...]]></description><category></category></item><item><title><![CDATA[巡礼卷积神经网络中的那些经典结构（一）—— Group convolution]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85254761</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85254761</guid><author>dagongsmallguy</author><pubDate>Tue, 25 Dec 2018 23:04:59 +0800</pubDate><description><![CDATA[
笔者在阅读论文的过程中，发现论文中经常会涉及到一些经典的神经网络结构，尽管这些结构可能出现的时间，但是生生不息，经历住了时间的考验。在这个系列文章中，我将对那些经典的网络分别做一个简单介绍。
作为这个系列文章的第一篇文章，本文首先要介绍的是 Group convolution这个结构。

Group Convolution简介
Group Convolution，即分组卷积（也被译为群卷积），是...]]></description><category></category></item><item><title><![CDATA[深度学习：自动编码器基础和类型]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85161223</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85161223</guid><author>dagongsmallguy</author><pubDate>Fri, 21 Dec 2018 14:37:34 +0800</pubDate><description><![CDATA[
本文转载自《机器之心》，原文链接：https://mp.weixin.qq.com/s/QuDa__mi1NX1wOxo5Ki94A ，如有侵权请联系删除。

很显然，深度学习即将对我们的社会产生重大显著的影响。Mobibit 创始人兼 CEO Pramod Chandrayan 近日在 codeburst.io 上发文对自动编码器的基础知识和类型进行了介绍并给出了代码实例。机器之心对本文进行了...]]></description><category></category></item><item><title><![CDATA[调用objection detection API 实现目标检测]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85082868</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/85082868</guid><author>dagongsmallguy</author><pubDate>Tue, 18 Dec 2018 22:59:32 +0800</pubDate><description><![CDATA[
之前我其实已经介绍过调用这个objection实现目标检测的方法，安装上次的那个教程我们可以调用摄像头实现目标的实时检测，这篇文章则是向大家介绍如何对离线下载好的视频进行检测。

一、环境配置
环境配置部分和上次基本相同，这里我不再赘述，如果对此有疑问可以参考上一次的教程：

手把手教你如何用objection detection API实现实时目标检测（一）
手把手教你如何用objection...]]></description><category></category></item><item><title><![CDATA[机器学习反向传播算法的数学推导]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84930204</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84930204</guid><author>dagongsmallguy</author><pubDate>Sun, 09 Dec 2018 19:42:22 +0800</pubDate><description><![CDATA[
周志华的西瓜书机器学习被誉为是机器学习的入门宝典，但是这本书对于深度学习的知识介绍非常少，仅仅只是在第五章《神经网络》中对其进行简单的概括。
这一章对于深度学习的介绍非常浅显，没有很深入的对其中的知识进行挖掘，也没有很复杂的数学推导。
博主在这里对反向传播算法进行数学推导，这里我使用的方法和周老师有些不同，或许更方便一些。

一、反向传播算法概述
误差反向传播算法又称为BP算法，是由Werbos...]]></description><category></category></item><item><title><![CDATA[周志华西瓜书《机器学习》第三章线性模型]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84921588</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84921588</guid><author>dagongsmallguy</author><pubDate>Sun, 09 Dec 2018 11:10:08 +0800</pubDate><description><![CDATA[
又好像很久更新了，但这几天我都有在学习哦~。一位同学和我说感觉我的笔记很多是对书本原文的再现，缺少自己的思考和重点提炼。我反思了一下好像真的是这样的呢，这样子写似乎的确是和原文没有多大的区别（而且敲那么多字非常的累）。
所以从这篇笔记开始我会挑选书中的重点来记录啦，对于个别比较难理解的公式也会单独拿出来推导，不再把时间花在重复劳动上。
在写文章方面我只是一个小白，希望大家多多包涵。

3.1基本...]]></description><category></category></item><item><title><![CDATA[机器学习——支持向量机SVM（一）]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84895602</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84895602</guid><author>dagongsmallguy</author><pubDate>Sat, 08 Dec 2018 19:18:34 +0800</pubDate><description><![CDATA[
在之前做数学建模的时候就有使用过支持向量机的有关知识，但是对于支持向量机的理解一直不是很深刻，尤其是数学推导部分还是存在一些问题。在最近看周志华西瓜书的过程中同样发现这一问题，西瓜书中对支持向量机的讲解部分不是很详细，所以我又查找了其他的资料。

支持向量机是一种原创性（非组合）的具有明显直观几何意义的分类算法，具有较高的准确率。虽然支持向量机的几何意义较为直观，但是细节非常复杂，内容涉及到凸优...]]></description><category></category></item><item><title><![CDATA[周志华西瓜书《机器学习笔记》学习笔记第二章《模型的评估与选择》]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84714227</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84714227</guid><author>dagongsmallguy</author><pubDate>Sun, 02 Dec 2018 14:59:55 +0800</pubDate><description><![CDATA[
本章是西瓜书的第二章，周志华老师在这一部分基础对机器学习中的基础知识进行介绍，主要阐述了误差、过拟合的相关概念和模型的评估度量方法。
博主在今年元旦之后就要正式开始做毕业设计了，所以我会努力在今年元旦假期结束之前把西瓜书的所有内容更新。也希望大家可以监督我嘻嘻。

一、经验误差与过拟合

错误率： 分类错误的样本数占样本总数的比例称为“错误率”，即如果我们在mmm个样本中有aaa个样本分类错误，...]]></description><category></category></item><item><title><![CDATA[AI研究院巡礼——小米AI研究院]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84702982</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84702982</guid><author>dagongsmallguy</author><pubDate>Sun, 02 Dec 2018 11:20:53 +0800</pubDate><description><![CDATA[
在本系列的文章中，我将对国内一些比较著名的AI研究院进行介绍，资料来源于互联网。

一 、简介：
小米AI研究院的前身是小米探索实验室，在2016年初的小米公司年会上，由雷军宣布小米探索实验室的成立，实验室初期重点投入虚拟现实和智能机器人等新方向，为小米的发展奠定下一个台阶。目前小米的人工智能与云平台部门之下有三大AI部门，分别是AI实验室、AI平台和小爱同学，三者在研发资金、人才和资源配比方面...]]></description><category></category></item><item><title><![CDATA[周志华西瓜书《机器学习笔记》学习笔记第一章《绪论》]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84667335</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/84667335</guid><author>dagongsmallguy</author><pubDate>Fri, 30 Nov 2018 20:13:28 +0800</pubDate><description><![CDATA[
最近在帮学弟做一个关于OCR的项目，所以这几个星期都没有在优快云上更新文章。今天登录后发现有还几个小伙伴关注我了，很开心~。我会继续在优快云上更新一些内容，总结自己每个阶段的学习情况。
周志华老师的西瓜书堪称学习机器学习的必备书籍，很多学生包括我自己都是从这本书开始接触机器学习。周志华老师将这本书定位一本自学用书和科研参考书，但对于初学者来说，在学这本书的时候肯定有很多不明白的地方。我大概在...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习系列课程笔记：卷积神经网络（一）]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83996869</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83996869</guid><author>dagongsmallguy</author><pubDate>Tue, 13 Nov 2018 23:56:57 +0800</pubDate><description><![CDATA[
本系列文章将对吴恩达在网易公开课“深度学习工程师”微专业内容进行笔记总结，这一部分介绍的是“卷积神经网络”部分。

1、计算机视觉
计算机视觉在我们还是生活中有非常广泛的应用，以下几个是最常见的例子：


图像分类：
可以对图像中的物体种类进行判断，如确定图像中的物体是否是猫


风格迁移
将一幅画的风格迁移到另一张图片中，使之以之前那副图的形式来表现这一幅图像的内容。


目标检测
将一幅画的...]]></description><category></category></item><item><title><![CDATA[手把手教你如何用objection detection API实现实时目标检测（三）]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83870988</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83870988</guid><author>dagongsmallguy</author><pubDate>Fri, 09 Nov 2018 01:34:09 +0800</pubDate><description><![CDATA[
本文是这一系列文章的最后一篇，由于之前两篇文章已经对项目的环境配置和参数修改做了较为详细的介绍。因此，在本文中我们不再赘述上述部分，读者可以看一下之前的两篇文章。《手把手教你如何用objection detection API实现实时目标检测（一）》、《手把手教你如何用objection detection API实现实时目标检测（二）》。

上文我们已经根据训练图片进行模型训练，模型可以对输入...]]></description><category></category></item><item><title><![CDATA[手把手教你如何用objection detection API实现实时目标检测（二）]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83870292</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83870292</guid><author>dagongsmallguy</author><pubDate>Fri, 09 Nov 2018 01:04:13 +0800</pubDate><description><![CDATA[
上文我们介绍如何配置用objection detection API实现实时目标检测的环境(原文链接)，在这里，我们将给大家介绍如何如何自己动手做一个目标检测系统来实现对图像的识别。

一、准备图片
在这里博主想要实现的是使用API来对手机进行检测，因此我们首先需要从网上下载一定数量的手机图片，将其保存在文件夹中（这里需要注意的是，我们下载的图片都需要为.jpg格式，原因我们会在下文讲到）。
二...]]></description><category></category></item><item><title><![CDATA[手把手教你如何用objection detection API实现实时目标检测（一）]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83863423</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83863423</guid><author>dagongsmallguy</author><pubDate>Thu, 08 Nov 2018 21:39:13 +0800</pubDate><description><![CDATA[本系列文章共分为三篇，包括环境配置、对图像的目标检测和利用摄像头实现实时检测三个部分，本文主要介绍相关的环境配置部分。
step1：准备相关文件
在这里我们使用的是GPU版本的TensorFlow，因此在此之前我们需要下载所需要的相关资料。主要有如下几部分：

CUDA9.0安装包：下载地址
cudnn7.0.5安装包：下载地址
项目所需文件：GitHub地址
Protobuf3.6.0文件：下载...]]></description><category></category></item><item><title><![CDATA[从零开始学caffe（十）：caffe中snashop的使用]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83506994</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83506994</guid><author>dagongsmallguy</author><pubDate>Mon, 29 Oct 2018 15:48:02 +0800</pubDate><description><![CDATA[在caffe的训练期间，我们有时候会遇到一些不可控的以外导致训练停止（如停电、设备故障灯），我们就不得不重新开始训练，这对于一些大型项目而言是非常致命的。在这里，我们介绍一些caffe中的snashop。利用snashop我们就可以实现训练的继续进行。

在之前我们训练得到的文件中，我们发现有后缀分别为caffemodel和solverstate的两种文件，其中caffemodel我们知道是训练的...]]></description><category></category></item><item><title><![CDATA[从零开始学caffe（九）：在Windows下实现图像识别]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83504880</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83504880</guid><author>dagongsmallguy</author><pubDate>Mon, 29 Oct 2018 15:25:47 +0800</pubDate><description><![CDATA[
本系列文章主要介绍了在win10系统下caffe的安装编译，运用CPU和GPU完成简单的小项目，文章之间具有一定延续性。

step1:准备数据集
数据集是进行深度学习的第一步，在这里我们从以下五个链接中下载所需要的数据集：
animal
flower
plane
house
guitar
我们在原先的models文件夹下新建文件夹my_models_recognition，用于存放本文在实现图...]]></description><category></category></item><item><title><![CDATA[从零开始学caffe（八）：Caffe在Windows环境下GPU版本的安装]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83352503</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83352503</guid><author>dagongsmallguy</author><pubDate>Wed, 24 Oct 2018 23:36:16 +0800</pubDate><description><![CDATA[
之前我们已经安装过caffe的CPU版本，但是在MNIST手写数字识别中，我们发现caffe的CPU版本运行速度较慢，训练效率不高。因此，在这里我们安装了caffe的GPU版本，并使用GPU版本的caffe同样对手写MNIST数字集进行训练。

step1: 安装CUDA
首先需要准备好NVIDIA的显卡，然后下载安装CUDA，在这里我安装的是CUDA8.0下载地址。CUDA的安装过程比较简单，...]]></description><category></category></item><item><title><![CDATA[从零开始学caffe（七）：利用GoogleNet实现图像识别]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83351025</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83351025</guid><author>dagongsmallguy</author><pubDate>Wed, 24 Oct 2018 21:27:10 +0800</pubDate><description><![CDATA[一、准备模型
在这里，我们利用已经训练好的Googlenet进行物体图像的识别，进入Googlenet的GitHub地址，进入models文件夹，选择Googlenet

点击Googlenet的模型下载地址下载该模型到电脑中。
模型结构
在这里，我们利用之前讲到的网络模型绘制网站画出Googlenet的结构图如下：



在这里，pad就是给图像补零，pad:2就是补两圈零的意思；


LRN就...]]></description><category></category></item><item><title><![CDATA[从零开始学caffe（四）：mnist手写数字识别网络结构模型和超参数文件的源代码阅读]]></title><link>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83346280</link><guid>https://blog.youkuaiyun.com/dagongsmallguy/article/details/83346280</guid><author>dagongsmallguy</author><pubDate>Wed, 24 Oct 2018 16:33:22 +0800</pubDate><description><![CDATA[下面为网络结构模型
%网络结构模型
name: &quot;LeNet&quot;               #网络的名字&quot;LeNet&quot;
layer {                     #定义一个层
  name: &quot;mnist&quot;             #层的名字&quot;mnist&quot;
  type: &quot;Data&quot;              #层的类型&quot;Data&quot;，表明数据来源于LevelDB或LMDB。]]></description><category></category></item></channel></rss>