gyh_420的博客

主要参考http://blog.youkuaiyun.com/zb1165048017/article/details/51355143VS2013安装包：链接：http://pan.baidu.com/s/1b6VDJg 密码：f2jp熟悉完CPU版本的配置以后，可以启用GPU的配置：http://blog.youkuaiyun.com/zb1165048017/article/details/5154

上篇博文：http://blog.youkuaiyun.com/gyh_420/article/details/78225923 之前已经讲了怎么在windows下面无GPU来安装caffe，现在我们来看看我们安装的caffe是否可以使用。 D:\Caffe\caffe-master\examples\mnist 找到mnist路径，这个是我的电脑的上的路径，你的路径按你自己的电脑来找到。 如图划线

转载：http://www.cnblogs.com/zf-blog/p/6075286.html卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT-CONV-RELU-POOL-FC(1)卷积层：用它来进行特征提取，如下：输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3的filter(感受野)，这里

这两天在看CS231n的课程，不得不感慨我国目前的教育制度确实很难培养出真正高端的人才,别人的课程有那么多的精心准备的课件、笔记和供学生练习的任务和代码，让你从原理到工程的实现全过一遍，反观我所在的所谓的双一流大学的课程。。呵呵哒。。。不说闲话了，这里讲下反向传播中的链式法则的实现细节。  我们以这个公式为例，实现反向传播的链式法则，在神经网络中的反向传播的方式是一样的，只是函数比这个复杂些。

图像卷积及Caffe中的卷积实现　　原创内容，转载请注明出处。 　　本文简单介绍了图像卷积相关的知识以及Caffe中的卷积实现方法，写作过程中参考了很多很赞的资料，有兴趣的读者可以从【参考资料】查看。 　　博文中的错误和不足之处还望各位读者指正。什么是卷积？　　卷积原本是信号处理总的一个专有名词，按照信号的属性，常见的分为一维卷积和二维卷积，按照我的理解就是

一直以来很奇怪感受野是怎么计算的，这里参考了两个博客总算是看懂了。 http://blog.youkuaiyun.com/skying_li/article/details/70158924 http://blog.youkuaiyun.com/kuaitoukid/article/details/46829355记住一个从底向上的递推公式：F(i，j-1) = kernel_size_j + (F(i,j）-1)*s

一些总结性的原则来自知乎，我觉得写的还不错，链接：https://www.zhihu.com/question/25097993/answer/127472322。我最后也会附上。最近结束了在TX做游戏AI的实习，对目前的监督学习的方法有了进一步的理解，其实涉及到的调参主要有两个方面吧，一类参数是和数据本身相关的参数，比如数据各类型的比例，提取出来的特征，数据异常值的过滤之类的。另一类就是模型参数...