Row Row Row your boat

pytorch多GPU数据并行模式 踩坑指南转载声明：转自https://blog.youkuaiyun.com/yuuyuhaksho/article/details/87560640仅备份用作自己学习使用。————————————————版权声明：本文为优快云博主「Edward Tivrusky IV」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.youkuaiyun.com/yuuyuhaksho/article/details/87560

PatchMatch算法摘要Paper: PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing.目的：寻找相似块，可以用于Image retargeting, Image reshuffling等。思想：通过随机初始化，只要有一个patch匹配正确，就可以传播给周围的patch，通过迭代，最

简介通过合成和自动微分，网络同时定义了一个函数和其对应的梯度。通过合成各层的输出来计算这个函数，来执行给定的任务，并通过合成各层的后向传播过程来计算来自损失函数的梯度，从而学习任务。Caffe模型是端到端的机器学习引擎。 准确的说，Net是由一系列层组成的有向无环（DAG）计算图，Caffe保留了计算图中所有的中间值以确保前向和反向迭代的准确性。一个典型的Net开始于data layer——从磁盘中

参考自 CUDA VS2010 语法高亮 cu .cuh 文件高亮 这个设置是让VS2010编辑.cu文件时，把.cu文件里的C/C++语法高亮。 设置方法: 在VS2010的菜单 依次点击：工具->选项->文本编辑器->文件扩展名 ，在这个界面里： “编辑器（I）”下拉框选microsoft visual ++，在“扩展名”文本框输入.cu 点击“添加”按钮 ，重复工作把.cuh 添加为vc+

对代码进行调试，还是在windows平台上使用Visual Studio进行调试跟踪比较方便，对学习源码比较有帮助。windows平台上的caffe安装方法见 【caffe源码研究】第一章：安装篇(中): Windows版本文环境Windows 64位Visual Studio 2013参考自 Caffe学习笔记（2） – 如何调试Caffe网络.先打开caffe的VS工程项目，假设你的caf

一、CPU和GPU的区别CPU (Central Processing Unit) 即中央处理器GPU (Graphics Processing Unit) 即图形处理器GPGPU全称General Purpose GPU，即通用计算图形处理器。其中第一个“GP”通用目的（GeneralPurpose）而第二个“GP”则表示图形处理（GraphicProcess）CPU虽然有多核，但总数没有

本实战运行Classifying Imagenet的接口。1. 下载model新建一个download_model.bat，在caffe-master的工作目录下，内容./scripts/download_model_binary.py models/bvlc_reference_caffenet 下载bvlc_reference_caffenet.caffemodel2. 分类写Classifyi

字符识别实战项目，前面章节已经都有涉及，这里做一个总结，看看一个完整的项目从数据制作、训练 、识别、分析的全过程。一、数据集的制作这里就使用lmdb格式，其他格式参考 【caffe源码研究】第二章：使用篇(1): 制作数据集 中的方法即可。(1). 现有的数据集我们的数据如下，每个traindata和testdata里面都有10个文件夹，命名为0-9，分别对应数字0-9. 下方是目录结构部分显示。

将caffe生成的log进行解析，可以分析训练的过程。 如果你是Linux系统，那么默认生成的log在/tmp 下，名字一般类似于caffe.a216-All-Series.a216.log.INFO.20160426-054718.9658至于windows系统下，自己搜一下log.INFO.就出来了，如果清理过系统那可能就没有了。 我的是默认存在了Temp里面。如果不希望日志到处乱跑，可以写

使用python可以比较方便的将模型的过程可视化，看看中间的结果。我在一个预测年龄的python脚本后面进行。拿之前的数字识别来做实验也可以。 原脚本如下 : mean_filename='mean.binaryproto'proto_data = open(mean_filename, "rb").read()a = caffe.io.caffe_pb2.BlobProto.FromStri

结构分析caffe分为 1. Solver 2. Net 3. Layer 4. Blob 四层结构. Solver : 负责模型的求解 Net : 负责定义网络的结构 Layer: 负责每一层网络功能的具体实现 Blob : 则定义数据，负责数据在每一层之间的流动。Blob1. 简介Blob是： 对处理数据的一层封装，用于在Caffe中通信传递。 也为CPU和GPU

问题由来在很多机器学习任务中，特征并不总是连续值，而有可能是分类值。例如，考虑一下的三个特征：[“male”, “female”][“from Europe”, “from US”, “from Asia”][“uses Firefox”, “uses Chrome”, “uses Safari”, “uses Internet Explorer”]如果将上述特征用数字表示，效率会高很多。例如：[“

1.相关系数2.虚拟变量3.做回归之前要用样本检验函数看看是否符合正态分布，如果不符合是不能做回归的。数据之间差异太大可以考虑对数据进行log变换。4.多元线性回归5.回归诊断多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在精确相关关系或高

转自 http://www.ctocio.com/hotnews/15919.html机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里IT经理网为您总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我

来自 http://database.51cto.com/art/201406/442753.htm可利用的算法非常之多。困难之处在于既有不同种类的方法，也有对这些方法的扩展。这导致很快就难以区分到底什么才是正统的算法。在这个帖子里，我希望给你两种方式来思考和区分在这个领域中你将会遇到的算法。第一种划分算法的方式是根据学习的方式，第二种则是基于形式和功能的相似性(就像把相似

一.若干概念交叉验证:   交叉验证(Cross-validation)也称为交叉比对，主要用于建模应用中。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。这个过程一直进行，直到所有的样本都被预报了一次而且仅被预报一次。把每个样本的预报误差平方加和，称为PRESS(predicted Error Sum of

算法流程可以表述为：1、求距离；2、对距离排序；3、选择前k个距离对应的类别；4、求取前k个点对应的类别的出现频率；5、得到预测的分类结果

摘抄自 http://www.cnblogs.com/jerrylead