<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CodenameNC的博客]]></title><description><![CDATA[积跬步，至千里]]></description><link>https://blog.youkuaiyun.com/ericcchen</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ericcchen]]></copyright><item><title><![CDATA[CNN学习笔记(8)---模型集成方法]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80103029</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80103029</guid><author>ericcchen</author><pubDate>Fri, 27 Apr 2018 09:16:17 +0800</pubDate><description><![CDATA[13.模型集成方法

深度模型的集成多从“数据层面”和“模型层面”两方面着手



13.1 数据层面的集成方法



13.1.1 测试阶段数据扩充

训练阶段的数据扩充手段：图像多尺度，随机扣取

等都可以用到测试阶段

以随机扣取为例，对某张测试图像可得到 n 张随机扣取图像，

测试阶段只需用训练好的深度网络模型对 n 张图分别做预测，之后将预测

的各类置信度平均作为该测试图像最终预测结...]]></description><category></category></item><item><title><![CDATA[CNN笔记(7)---不平衡数据的处理(imbalance)]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80102987</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80102987</guid><author>ericcchen</author><pubDate>Fri, 27 Apr 2018 09:13:36 +0800</pubDate><description><![CDATA[12.不平衡数据的处理(imbalance)

除了常规的分类，回归任务，图像语义分割，深度估计等像素级别任务也不乏不平衡样本的出现



12.1 数据层面处理方法

数据层面处理方法多借助数据采样法（sampling）使整体训练集样本趋于平衡

即各类样本数基本一致



12.1.1 数据重采样

重采样包括上采样和下采样

对于样本较少的类别，使用上采样(赋值/数据扩充)，增加样本数

对...]]></description><category></category></item><item><title><![CDATA[CNN笔记(6)---超参数设定和网络训练]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80102933</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80102933</guid><author>ericcchen</author><pubDate>Fri, 27 Apr 2018 09:10:23 +0800</pubDate><description><![CDATA[11.超参数设定和网络训练



11.1 网络超参数设定

网络结构相关的各项超参数：输入图像像素、卷积层个数、卷积核的相关参数



11.1.1 输入数据像素大小


不同输入图像为得到同规格输出，统一压缩到2n2n2^n大小：32x32,96x96,224x224
分辨率越高，有助于性能提升，(特别是attention model),但是会延长训练时间
改变原始模型的输入图像分辨率，需要重...]]></description><category></category></item><item><title><![CDATA[CNN学习笔记(5)---正则化]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80102039</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80102039</guid><author>ericcchen</author><pubDate>Fri, 27 Apr 2018 00:12:28 +0800</pubDate><description><![CDATA[10.Regularization

正则化有效防止模型的过拟合




10.1 l2l2l_2正则化 —邻回归（Ridge regression）—Tikhonov 正则化

假设待正则的网络层参数为www,l2l2l_2正则式为：



l2=12λ||w||22l2=12λ||w||22
l_2 = \frac{1}{2}\lambda ||w||^2_2


将正则项加入目标函数

又叫...]]></description><category></category></item><item><title><![CDATA[CNN笔记(4)--目标函数]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80102025</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80102025</guid><author>ericcchen</author><pubDate>Fri, 27 Apr 2018 00:09:34 +0800</pubDate><description><![CDATA[9.目标函数（损失函数，代价函数）



9.1分类任务的目标函数



9.1.1 交叉熵损失函数（cross entropy）(SoftMax)

Lcross&amp;nbsp;entropy&amp;nbsp;loss=Lsoftmax_loss=−1N∑i=1Nlogehyi∑Cj=1ehjLcross&amp;nbsp;entropy&amp;nbsp;loss=Lsoftmax_loss=−1N∑i=1Nlog⁡e...]]></description><category></category></item><item><title><![CDATA[CNN笔记(3)---激活函数]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80102006</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80102006</guid><author>ericcchen</author><pubDate>Fri, 27 Apr 2018 00:05:53 +0800</pubDate><description><![CDATA[8.Activation Function



8.1 Sigmoid 型函数

σ(x)=11+e(−x)σ(x)=11+e(−x)
\sigma(x)=\frac{1}{1+e^{(-x)}}


sigmoid 将输出响应的值域压缩到[0,1]之间

但是，两端大于5，小于-5的区域，梯度接近0，带来梯度的“饱和效应”

反向传播中无法传递误差

而且sigmoid 的值域均值并非为0，而...]]></description><category></category></item><item><title><![CDATA[CNN笔记(2)--网络参数初始化]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80101981</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80101981</guid><author>ericcchen</author><pubDate>Fri, 27 Apr 2018 00:01:07 +0800</pubDate><description><![CDATA[7网络参数初始化



7.1 全零初始化

网络收敛到稳定状态时，参数（权值）在理想情况下应基本保持正负各半，期望为0

全0初始化可以使初始化全零时参数期望为0

但是，全0初始化不能训练



7.2随机初始化

仍然希望参数期望接近1

随机参数服从高斯分布或均匀分布进行初始化



7.2.1.高斯分布

高斯分布为均值为0，方差为1 的标准高斯分布



w = 0.001 .* ra...]]></description><category></category></item><item><title><![CDATA[CNN笔记(1)---数据扩充与数据预处理]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80101958</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80101958</guid><author>ericcchen</author><pubDate>Thu, 26 Apr 2018 23:58:44 +0800</pubDate><description><![CDATA[1.Data Augmentation



1.1 简单的数据扩充

图像水平翻转
随机扣取
尺度变换和旋转
色彩抖动：在RGB颜色空间对原有RGB色彩分布进行轻微扰动
          也可以在HSV空间随机改变图像原有的饱和度和明度
          （改变S和V通道的值）
          或对色调进行微调（小范围改变H的值）




1.2 特殊的数据扩充方式



1.2.1 F...]]></description><category></category></item><item><title><![CDATA[向量与矩阵的范数定义的总结]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/80096962</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/80096962</guid><author>ericcchen</author><pubDate>Thu, 26 Apr 2018 17:28:26 +0800</pubDate><description><![CDATA[向量的范数




  范数
  定义



  1-范数
  ||x||1=∑i=1N|xi|||x||1=∑i=1N|xi|||x||_1 = \sum_{i=1}^N |x_i|


  2-范数
  ||x||2=(∑i=1N|xi|2)12||x||2=(∑i=1N|xi|2)12||x||_2 = (\sum_{i=1}^N|x_i|^2)^{\frac{1}{2}}


  ∞∞\i...]]></description><category></category></item><item><title><![CDATA[导入tensorflow ,提示警告信息的消除]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79550472</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79550472</guid><author>ericcchen</author><pubDate>Wed, 14 Mar 2018 15:03:45 +0800</pubDate><description><![CDATA[1.版本信息

tensorflow  1.12.0 
numpy 1.12.1



2.警告信息

导入tensorflow 时会出现的警告信息


  FutureWarning: Conversion of the second argument of issubdtype from float to np.floating is deprecated. In future, it wil...]]></description><category></category></item><item><title><![CDATA[C++ 短路求值特性的利用]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79421512</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79421512</guid><author>ericcchen</author><pubDate>Fri, 02 Mar 2018 11:37:03 +0800</pubDate><description><![CDATA[题目

求1+2+3+…+n，要求不能使用乘除法、for、while、if、else、switch、case等关键字及条件判断语句（A?B:C）。

解决方案



class Solution {
public:
    int Sum_Solution(int n) {
        int res = n;
        res &amp;amp;&amp;amp; (res = res + Sum_S...]]></description><category></category></item><item><title><![CDATA[SVM分类器的概率校准在scikit-learn 中的几种实现方式]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79337716</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79337716</guid><author>ericcchen</author><pubDate>Mon, 19 Feb 2018 19:05:42 +0800</pubDate><description><![CDATA[SVM分类器的分类结果只有类别，没有概率，属于maximum-margin 的方法

如果我们想从SVM的分类结果中得到属于某个类别的置信概率，就要用到 概率校准

经典的概率校准思路有Platt Scaling,核心思想就是把分类的结果作为新的训练集，用logistics回归再训练一个关系，得到具体的概率值



P(y=1∣x)=11+e(A∗f(x)+B)P(y=1∣x)=11+e(A∗f(...]]></description><category></category></item><item><title><![CDATA[SVM 解决类别不平衡问题(scikit_learn)]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79334042</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79334042</guid><author>ericcchen</author><pubDate>Sun, 18 Feb 2018 10:10:34 +0800</pubDate><description><![CDATA[在支持向量机中，CCC 是负责惩罚错误分类数据的超参数。

解决数据类别不平衡的一个方法就是使用基于类别增加权重的CCC值



Cj=C∗wjCj=C∗wjC_j = C * w_j

其中，CCC是误分类的惩罚项，wjwjw_j是与类别 jjj 的出现频率成反比的权重参数，CjCjC_j 就是类别 jjj 对应的 加权CCC值

主要思路就是增大误分类 少数类别 带来的影响，保证 少数类别 的...]]></description><category></category></item><item><title><![CDATA[找到SVM分类器的支持向量(scikit-learn)]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79332807</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79332807</guid><author>ericcchen</author><pubDate>Sat, 17 Feb 2018 18:49:53 +0800</pubDate><description><![CDATA[



0.库的导入



# 导入库
from sklearn.svm import SVC
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
import numpy as np



1.加载Iris Flower 数据集



#Iris Flower 数据集有三个类别，这里只加载两个...]]></description><category></category></item><item><title><![CDATA[SVM 分类器的分类超平面的绘制]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79332781</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79332781</guid><author>ericcchen</author><pubDate>Sat, 17 Feb 2018 18:36:49 +0800</pubDate><description><![CDATA[

0.库的导入



# Load libraries
from sklearn.svm import LinearSVC
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
import numpy as np
from matplotlib import pyplot as plt



...]]></description><category></category></item><item><title><![CDATA[支持向量分类器的scikit-learn 实现(Support Vector Classifier)]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79332711</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79332711</guid><author>ericcchen</author><pubDate>Sat, 17 Feb 2018 18:00:12 +0800</pubDate><description><![CDATA[

支持向量分类器（SVC）在最大化分类间隔(margin)和最小化错误分类(misclassification)上需要一个平衡。

在SVC分类器中，用超参数C作为误差的惩罚项

当C比较小时，可以接受一些数据点的误分类,模型的偏差高而方差低(high bias low variance)

当C比较大时，对错误分类的点惩罚严重，分类器会尽力避免错误的分类，得到的模型偏差小但方差高(low bi...]]></description><category></category></item><item><title><![CDATA[Docker容器图形界面显示（运行GUI软件）的配置方法]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79253416</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79253416</guid><author>ericcchen</author><pubDate>Sun, 04 Feb 2018 17:39:43 +0800</pubDate><description><![CDATA[0.环境说明

Ubuntu 16.04 
docker 1.35

1.Docker的“可视化”

Docker本身的工作模式是命令行的，因为主要的使用场景可能是做服务器后端方面的比较多。 
但有时候我们会有在docker容器里运行一些图形界面的软件，或者要调用摄像头，输出图像等等一些需求，这个时候需要解决这个Docker “可视化”的问题。 
（这里的“可视化”不是很容易搜到的可视化管理的方法]]></description><category></category></item><item><title><![CDATA[使用DaoCloud加速docker镜像下载——修改daemon.json遇到的问题]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79249463</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79249463</guid><author>ericcchen</author><pubDate>Sat, 03 Feb 2018 21:39:20 +0800</pubDate><description><![CDATA[1.docker镜像的获取

使用如下的docker pull 命令可以从官方的docker hub网站获取需要的镜像。

docker pull NAME[:TAG]

官方网站虽然资源多，但是由于是国外的网站，访问速度很不理想，获取一个镜像可能要等很久。



2.镜像获取加速的方法



2.1 非官方仓库下载

国内有很多提供这样服务的镜像源，下载的速度要好很多。 
有满足需要的镜像的话，]]></description><category></category></item><item><title><![CDATA[Anaconda环境中配置openCV报错-- numpy版本问题--解决方案]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79089093</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79089093</guid><author>ericcchen</author><pubDate>Wed, 17 Jan 2018 19:48:30 +0800</pubDate><description><![CDATA[一 .环境信息

win10/64bit  anaconda3  python 3.5.4  opencv3

二.报错信息

创建了一个新的conda环境,在环境中配置了TensorFlow和Keras. 
使用pip install [file path] 的方式安装 
opencv_python 3.4.0+contrib cp35 cp35m win_amd64.whl 文件 
安装完成后]]></description><category></category></item><item><title><![CDATA[OpenCV 调用摄像头录制指定分辨率视频----（解决保存的视频仅有6Kb的问题）]]></title><link>https://blog.youkuaiyun.com/ericcchen/article/details/79024881</link><guid>https://blog.youkuaiyun.com/ericcchen/article/details/79024881</guid><author>ericcchen</author><pubDate>Wed, 10 Jan 2018 15:58:15 +0800</pubDate><description><![CDATA[1.环境信息

win10 系统，VS2012,openCV 2.4.9，支持UVC协议的免驱动720p摄像头



2.问题描述

摄像头最大支持1280x960分辨率，但OpenCV调用的时候默认的分辨率是640x480。 
需要调用摄像头录制1280x720的视频。没有报错信息，却发现生成的视频始终只有6Kb,无法播放。 
程序如下



#include
#include
#include]]></description><category></category></item></channel></rss>