<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[foreseerwang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/foreseerwang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; foreseerwang]]></copyright><item><title><![CDATA[Tensorflow图像random_shift函数似乎有问题]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/113836316</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/113836316</guid><author>foreseerwang</author><pubDate>Wed, 17 Feb 2021 18:17:53 +0800</pubDate><description><![CDATA[环境：Python 3.6，TensorFlow 1.15

希望对图像进行augmentation，使用tf.keras.preprocessing.image.random_shift函数

系统报错：unsupported operand type(s) for *: 'Dimension' and 'float'

找到提示的错误语句：tensor_shape.py中的line 446是 return self * other

尝试修改该错误语句return self * other --&gt;]]></description><category></category></item><item><title><![CDATA[神经网络基础结构演进趋势洞察]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/86768911</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/86768911</guid><author>foreseerwang</author><pubDate>Wed, 06 Feb 2019 19:38:17 +0800</pubDate><description><![CDATA[自从2012年AlexNet激起新一轮深度学习热潮以来，深度神经网络快速发展，众多教授、博士迅速挖坑、填坑，把神经网络的基础结构研究的透透彻彻。最近整体看了几十篇神经网络基础结构的文章，作为备忘，简单整理记录如下：

名称
			推出时间
			核心创新点
		AlexNet
			2012
			深度学习开山之作，ReLU、DropOut、池化
		VGG
			2014.9
			小尺寸卷积核...]]></description><category></category></item><item><title><![CDATA[手写中文文章识别（5）——训练及验证结果]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/81137108</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/81137108</guid><author>foreseerwang</author><pubDate>Fri, 20 Jul 2018 18:37:23 +0800</pubDate><description><![CDATA[手写中文文章识别（1）——问题描述

https://blog.youkuaiyun.com/foreseerwang/article/details/80833749

手写中文文章识别（2）——样本集构建

https://blog.youkuaiyun.com/foreseerwang/article/details/80842498

手写中文文章识别（3）——data feeding

https://blog...]]></description><category></category></item><item><title><![CDATA[手写中文文章识别（4）——模型搭建]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/81076936</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/81076936</guid><author>foreseerwang</author><pubDate>Tue, 17 Jul 2018 11:38:44 +0800</pubDate><description><![CDATA[手写中文文章识别（1）——问题描述

https://blog.youkuaiyun.com/foreseerwang/article/details/80833749

手写中文文章识别（2）——样本集构建

https://blog.youkuaiyun.com/foreseerwang/article/details/80842498

手写中文文章识别（3）——data feeding

https://blog...]]></description><category></category></item><item><title><![CDATA[手写中文文章识别（3）——data feeding]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/80914473</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/80914473</guid><author>foreseerwang</author><pubDate>Wed, 04 Jul 2018 16:14:21 +0800</pubDate><description><![CDATA[手写中文文章识别（1）——问题描述https://blog.youkuaiyun.com/foreseerwang/article/details/80833749手写中文文章识别（2）——样本集构建https://blog.youkuaiyun.com/foreseerwang/article/details/80842498前文提到，样本集构建会形成文章文件（.code/.char/.len）和手写中文图片文件，本文...]]></description><category></category></item><item><title><![CDATA[手写中文文章识别（2）——样本集构建]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/80842498</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/80842498</guid><author>foreseerwang</author><pubDate>Thu, 28 Jun 2018 14:16:43 +0800</pubDate><description><![CDATA[首先要明确思路。假设有10万篇文章，每篇1000字，共计1亿字。很显然，不可能按照文章内容，逐字把图片都读取、保存下来形成样本集，这个存储量会是一个天文数字，其中有大量的冗余。更好的办法是分别保存文章和手写汉字图片集，在训练时即时生成样本集batch，训练完毕便扔掉，再重新生成下一batch。按照这一思路以及上文（https://blog.youkuaiyun.com/foreseerwang/article...]]></description><category></category></item><item><title><![CDATA[手写中文文章识别（1）——问题描述]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/80833749</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/80833749</guid><author>foreseerwang</author><pubDate>Wed, 27 Jun 2018 19:08:41 +0800</pubDate><description><![CDATA[从本文开始，介绍近期学习和练习的一个项目：手写中文文章识别。简单举例，就是如下这样一篇手写文章的识别。 这张图是我构造的，可以看出来很规整。实际需要识别的文章可能是扫描或拍照获得的，肯定不会这么干净。 针对这样一篇手写文章的识别，首先需要进行图片预处理：包括纠正畸变、降噪、文字图片切割等等。输出可能包括两种情况：第一种是切出每个字，第二种是切出每句话或每行文字。考虑到通用性，这里使用第一种情况，即...]]></description><category></category></item><item><title><![CDATA[AI应用中的若干思考]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/80755228</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/80755228</guid><author>foreseerwang</author><pubDate>Thu, 21 Jun 2018 09:09:44 +0800</pubDate><description><![CDATA[前文介绍了人工智能（AI）的“能”与“不能”（https://blog.youkuaiyun.com/foreseerwang/article/details/80531756），这里继续介绍一些学习和应用AI过程中的感想和心得。 个人理解，AI的应用目的是捕捉大量繁杂干扰下的数据中的规律。暂时不考虑数据是否“大量”的问题，这里还有两个关键词：干扰、规律。干扰是不需要的、随机化的影响因素；规律则是希望捕捉的影...]]></description><category></category></item><item><title><![CDATA[Tensorflow Dataset.from_generator使用示例]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/80572182</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/80572182</guid><author>foreseerwang</author><pubDate>Wed, 06 Jun 2018 18:38:49 +0800</pubDate><description><![CDATA[之前的博文介绍了使用Tensorflow Dataset进行数据导入的方法及其优势。最近在实际使用中越发感觉到这个方式非常好用，尤其是发现了.from_generator这个method。 关于Dataset.from_generator的简单介绍，请参见如下两个链接：https://tensorflow.google.cn/versions/master/api_docs/python/tf/d...]]></description><category></category></item><item><title><![CDATA[人工智能“能” “不能”]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/80531756</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/80531756</guid><author>foreseerwang</author><pubDate>Thu, 31 May 2018 23:30:36 +0800</pubDate><description><![CDATA[国家政策利好，民间资本追捧下，人工智能一股气吹成了一个大风口。不少人言必提及，外能刷格调，内可提自信……做人工智能的公司更是雨后春笋，PR倒是天花乱坠，但实际到底是人工还是智能，谁做谁知道。对人工智能的态度保守者认为不过是又一轮潮流而已，毕竟也不是第一次了；激进者则认为机器不日可统治人类，下一个“吓尿单位”指日可待。但是不讲逻辑的炒态度，都是耍流氓。咱可以理性聊聊，人工智能能不能？（请注意：这里说...]]></description><category></category></item><item><title><![CDATA[Tensorflow两种数据读取方法应用、对比及注意事项]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/80170210</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/80170210</guid><author>foreseerwang</author><pubDate>Wed, 02 May 2018 19:52:22 +0800</pubDate><description><![CDATA[本文对比介绍了两种Tensorflow针对大数据集的数据读取方法，具体来说是：方法1：tf.train.slice_input_producer+流水线（这里用这个API指代这一类，其实还有其他的API）。方法2：Dataset方法，据说是Tensorflow 1.3版本之后引入的新API。使用起来比方法1更方便直观。关于这两种方法的具体介绍，这里不再赘述，建议参考何之源的这两篇文章：https:...]]></description><category></category></item><item><title><![CDATA[简单Tensorflow线性拟合类及tf.get_variable()使用示例]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/79499553</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/79499553</guid><author>foreseerwang</author><pubDate>Fri, 09 Mar 2018 16:43:47 +0800</pubDate><description><![CDATA[在完成cs224d第二个大作业（assignment2）之后，个人认为它的模型类封装做的不错，为方便以后学习使用，特简化形成一个简单的线性拟合类(class)，以备后续学习使用。同时，在其中探索了利用tf.variable_scope()和tf.get_variable()进行变量共享的方法。代码见后面。在完成cs224d assignment2作业时，用到variable_scope()和get...]]></description><category></category></item><item><title><![CDATA[Word2vec：CBOW和Skip-Gram算法简介]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/79300229</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/79300229</guid><author>foreseerwang</author><pubDate>Fri, 09 Feb 2018 17:01:33 +0800</pubDate><description><![CDATA[本文主要来自于斯坦福大学CS224d课程笔记note1，文后给出的范例来自于该课程作业assignment1。在完成该作业的时候参考了如下链接中的代码： http://blog.youkuaiyun.com/han_xiaoyang/article/details/51760923 参考的意思是，在有些无法理解的地方会阅读这个代码，理解之后自己再实现。 这个文档网上流传很广，但其中是有些笔误的，譬如：nega...]]></description><category></category></item><item><title><![CDATA[非线性SSM问题：从EKF到UKF再到PF]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/79012402</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/79012402</guid><author>foreseerwang</author><pubDate>Tue, 09 Jan 2018 14:18:48 +0800</pubDate><description><![CDATA[SSM问题（State space models）即：
z为隐变量，y为观测量
% 状态转移函数：z(k) = f(z(k-1)) + v
% 状态观测函数：y(k) = h(z(k)) + n
% 已知：y(1:k)
% 目标：计算z的估计值



当函数f和h为线性变换时，此为线性高斯SSM（LG-SSM）问题或线性动态系统（LDS）问题，详见MLaPP式（18.3）-（18]]></description><category></category></item><item><title><![CDATA[卡尔曼滤波及卡尔曼平滑不等间距示例]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/78982386</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/78982386</guid><author>foreseerwang</author><pubDate>Fri, 05 Jan 2018 16:02:42 +0800</pubDate><description><![CDATA[在之前的一篇博客里（http://blog.youkuaiyun.com/foreseerwang/article/details/77883616）介绍了卡尔曼滤波和卡尔曼平滑的理解，后来发现，MLaPP这本书的第18章里已有介绍
本文给出了一个更加完整的卡尔曼滤波和卡尔曼平滑子程序，并基于该子程序，给出观测点序列间不等间距情况下的卡尔曼滤波和卡尔曼平滑应用示例。
如下是结果：




卡尔曼]]></description><category></category></item><item><title><![CDATA[粒子滤波（particle filtering）梳理]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/78889888</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/78889888</guid><author>foreseerwang</author><pubDate>Mon, 25 Dec 2017 10:25:28 +0800</pubDate><description><![CDATA[本文根据MLaPP第23章，从importance sampling开始梳理，直至导出粒子滤波，并给出相应的范例程序。]]></description><category></category></item><item><title><![CDATA[Gibbs Sampling for Gaussian Mixture Model]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/78784559</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/78784559</guid><author>foreseerwang</author><pubDate>Tue, 12 Dec 2017 18:19:38 +0800</pubDate><description><![CDATA[使用Gibbs Sampling算法进行GMM模型聚类]]></description><category></category></item><item><title><![CDATA[Gibbs Sampling for Ising model]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/78622222</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/78622222</guid><author>foreseerwang</author><pubDate>Fri, 24 Nov 2017 10:48:04 +0800</pubDate><description><![CDATA[给出了Gibbs sampling用于Ising模型的实现]]></description><category></category></item><item><title><![CDATA[Variational Inference入门：variational bayesian EM]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/78427430</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/78427430</guid><author>foreseerwang</author><pubDate>Thu, 02 Nov 2017 17:41:13 +0800</pubDate><description><![CDATA[实现了variational bayesian EM进行聚类，并与之前的k-means和EM求解高斯混合模型（GMM）的结果进行了对比。]]></description><category></category></item><item><title><![CDATA[Variational Inference入门：Mean field for the Ising model]]></title><link>https://blog.youkuaiyun.com/foreseerwang/article/details/78343238</link><guid>https://blog.youkuaiyun.com/foreseerwang/article/details/78343238</guid><author>foreseerwang</author><pubDate>Wed, 25 Oct 2017 16:40:59 +0800</pubDate><description><![CDATA[本文实现了MLaPP一书21.3.2节中的一个范例：Mean field for the Ising model是。回头来看，完成这个范例非常简单，就是一个公式（21.52）。但是，更重要的是理解这个公式的推导过程原理，并不容易。]]></description><category></category></item></channel></rss>