dlphay的博客

目录：1 线性回归2 logstic回归3 svm4 boosting

import torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as pltimport numpy as npimport mathimport randomimport osimport gym

http://blog.youkuaiyun.com/bagboy_taobao_com/article/details/5574159形态学运算中腐蚀，膨胀，开运算和闭运算。1. 腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。腐蚀的算法：用3x3的结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作如果都为1，结果图像的该像

参考博客：http://m.blog.youkuaiyun.com/qq_15947787/article/details/55260002简介实现对动态背景下运动目标检测方法硬件配置：win7_x64 + i3-4170软件配置：vs2015 + opencv2.4.9（Release version）注意点：opencv包是release版本，Release版本是没办法debug就会一

算法一：插入排序#include "iostream"using namespace std;// date : 2017.12.18 By:dlphay // INSERTION_SORT_DLYint main(){ int A[6] = {31, 41, 59, 26, 41, 58}; int i = 0; int j = 0; int value = 0;

一  基础部分1  产生右图所示图像f1(m,n)，其中图像大小为256×256，中间亮条为128×32，暗处=0，亮处=100。对其进行FFT：①同屏显示原图f1(m,n)和FFT(f1)的幅度谱图；②若令f2(m,n)=（-1）（m+n）f1(m,n)，重复以上过程，比较二者幅度谱的异同，简述理由；③若将f2(m,n)顺时针旋转90度得到f3(m,n)，试显示FFT(f3)

任务：自动驾驶具备人的行为智能（指导Agent在XX的环境中做出最优决策的模型框架）的目的。 针对自动驾驶问题，提出不需要专家知识辅助的 简单说明：增强学习中神经网络需要完成的任务：针对图像，通过（神经网络）抽象出任务所处环境的特征信息，将特征信息与动作行为之间建立联系（相比于传统图像识别任务：特征信息与识别目标位置、类别之间建立联系）。Agent需要与环境层（真实环境，模拟环境，游戏环境

Tips：需要了解项目细节或者相关技术支持，以下是联系方式。邮箱：740595707@qq.comGithub源码：https://github.com/dlphay/halcon_dlphay（源码中去掉了部分核心代码，需要Github账号，将项目Star之后截图发到邮箱，我会把核心代码进行回复）机器视觉项目----芯片缺陷检测01 应用与背景封装体检测的内容包括（括...

初始检测得到运动目标中心坐标点P（x，y）、宽度width、高度height和pt1和pt2坐标点信息。第1步： n1 = sift_features(image, &feat1,1,pt1,pt2 ); 计算目标区域扩大一点，再计算其特征点描述信息。             具体区域大小：                 n=1/pow(2.0,o);                 a...

初赛、复赛。比赛耗时50天。忙忙碌碌、紧紧张张。西北赛区真的很强，最终成绩初赛6/64 复赛6/36。真是666！！！简单说一下赛题：赛题围绕两个点展开：销量预测问题、放置优化问题。请求预测问题与简单解析：赛题给出了用户对于虚拟机请求的2-3个月的历史数据文档（txt文件），需要做的是通过读取和抽取文件中关键信息（时间信息）、统计历史虚拟机的请求数量。根据历史数据去预测接下来一段时间（时间的长短、...

五个步骤：1.      图片读取2.      求取图像的梯度场可以通过差分的方式求取图像的梯度场，包括source图像和destination图像。3.      求解融合图像的散度计算融合后图像每个像素的散度值。4.      泊松重建根据已知的图像散度和边界条件，建立泊松方程，并求解。5.      图像融合效果源代码：#include<opencv2\opencv.hpp>...

时间复杂度分析：XXXXXXXW：O（N^3）1秒内可以处理大约10^2量级的数据插入排序法：O（N^2）1秒内可以处理大约10^4量级的数据选择排序法：O（N^2）1秒内可以处理大约10^4量级的数据归并排序法：O（NlogN）1秒内可以处理大约10^7量级的数据寻找数组中最大/最小值：O（N）1秒内可以处理大约10^8量级的数据二分查找法：O（logN）1秒内可以处理大约10^10量级的数据二...

算法是一个思考过程，独特的见解很重要！！！撇开实际问题，单纯讨论一个算法的好坏优劣是没有意义的，在解决一个实际问题中，“好的算法”并不一定有效，“差的算法”并不一定就不是最适合的算法，往往一个算法与实际问题的契合度最为关键。那么什么是最好的算法：针对一个实际问题，考量各方面的因素，选择一个算法的大的方向和众多可以优化的小点，不断去优化的算法是针对这个问题的最好的算法。可以考量的潜在因素：1 考虑数...

#include#include#include#includeusing namespace std;//种群总数const int popSize = 100;//染色体长度const int chromosomeSize = 9;//变异概率const double Pm = 0.001;//最多代数const int MaxGen = 100;//变异概率co

转载自知乎专栏 天津包子馅儿 的知乎今天开始我们的第七讲，TRPO。先简短地介绍一下：TRPO是英文单词Trust region policy optimization的简称，翻译成中文是信赖域策略优化。提出这个算法的人是伯克利的博士生John Schulman，此人已于2016年博士毕业。Schulman的导师是强化学习领域的大神Pieter Abbeel, Abbeel是伯克利

『干货』深度强化学习与自适应在线学习的阿里实践2017-02-24 阿里技术http://url.cn/5epDVHI1搜索算法研究与实践1.1背景淘宝的搜索引擎涉及对上亿商品的毫秒级处理响应，而淘宝的用户不仅数量巨大，其行为特点以及对商品的偏好也具有丰富性和多样性。因此，要让搜索引擎对不同特点的用户作出针对性的排序，并以此带动搜索引导的

目录：1 决策树2 朴素贝叶斯3 聚类4 KNN

目录：1 正则化2 EM算法3 推荐系统4 异常检查

目录：1 FP Growth2 Apriori3 GDBT4 LDA5 pLSA

本文来源：http://blog.youkuaiyun.com/heyongluoyao8/article/details/52478715   该文翻译自An overview of gradient descent optimization algorithms。　　   总所周知，梯度下降算法是机器学习中使用非常广泛的优化算法，也是众多机器学习算法中最常用的优化方法。几乎当前每一个先进的

从后向前逐层更新网络的参数集合。 求解优化问题： 其中： BP的改进：可以通过改进连接方式、改进训练样本、改进损失函数、改进学习速率进行优化。 改进连接方式：稀疏局部连接策略和权重共享策略。 改进训练样本：规范化训练样本、适当扰动训练样本。 改进损失函数：改进前馈网络整体损失函数 改进学习速率：增加动量项和陡度因子和可变学习速率的策略。算法缺点： 1 训练过程中容易过拟合，不可避免

转载链接：https://zhuanlan.zhihu.com/p/27072134公元七世纪，在车迟国国家气象局组织的一次求雨活动中，虎力、鹿力、羊力三位大仙成功地祈下甘霖，于水火中救了黎民。老国王虽然不明就里，却从此尊他们为国师，奉道教为圭臬。本世纪，算法工程师们的境遇也差不多：早些年，信奉糙快猛主义的大佬们觉得他们饱食终日、无所用心，没工作只好在学校混博士，靠数据上的障眼

Deep Q Nework 方法：DeepQ Network算法的详细解释：需要明白两个概念，一个是Q网络，一个是targrtQ网络，Q网络是我们预测网络，targrt Q网络可以认为是我们的训练网络，训练的目标是找到目标Q值：，这里目标Q值的定义依据时间差分算法（n-step TD，一般采用单步时差更新，步数越长，参考的奖励值数量也越多，网络的远见能力越强，），认为目

先占个坑，详细内容后续添加！！！直接解或者间接解结构的构造： 利用神经网络中神经元（卷积核）参数对某一状态稀疏编码（激活）出一个很抽象的感受（神经网络最大的创新），这个感受可以直接端到端地降维计算出一个具体的我们想要的解结构的关键部分。训练就是学习和改变神经元参数，去使得解结构的关键部分朝着目标（）的梯度去更新。 卷积：特征收集器如何调参数可以说计算出动作的价值

占个坑！！！简单解释Policy Gradient需要Actor 网络来实现，通过对动作的输出概率的对数似然值乘上动作的价值评价作为loss去更新policy（动作的概率）。对于动作的价值评价更是多种多样，这些就是PG（Policy Gradient）的核心部分。注：log的有无区别 加log：增加了非线性 无log：无非线性详情在这里： 一共涉及6种价值的评估： 1 轨迹中，全部奖励值

https://zhuanlan.zhihu.com/p/21378532?refer=intelligentunit

Off-policy Q learning算法和On-policy Sarsa learning都是时序差分（TD）下对动作价值函数优化的单步方法，在没有神经网络之前，都是通过table的方法，下面简单介绍一下： 最佳决策可以通过遍历所有的情况去得到，有些时候情况比较多元，只能通过部分的情况去学习经验，然后得到一个亚最佳决策（趋近于最佳决策）。那么如何得到亚最佳决策是我们关心的问题。

Logistic 分类器与 softmax分类器首先说明啊：logistic分类器是以Bernoulli（伯努利） 分布为模型建模的，它可以用来分两种类别；而softmax分类器以多项式分布（Multinomial Distribution）为模型建模的，它可以分多种互斥的类别。补充：什么是伯努利分布？伯努利分布[2] 是一种离散分布,有两种可能的结果。1表示成功，

监督分类器总结分类器具有学习能力的描述：通过数据提高分类器的分类表现！！！1 监督回归问题中的：线性回归、多元线性回归、非线性回归2 分类标准中的：伯努利分布的Logistic二分类和多项式分布的Softmax多分类3 距离法则和投票法则的KNN4 小规模数据十分效果的决策树5 超平面方法的SVM6 神经网络中的稀疏编码1 线性回归、多元线性回归、非线性回归从回...