helen1313的专栏

# 加载MNIST数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) import tensorflow as tf sess = tf.InteractiveSession() # 权重在初始化时应该加入少量的噪声来打破对称性以及避免0梯度 # truncated_normal:产生正态分布的随机数 d.

# 加载MNIST数据 # i通过nput_data.read_data_sets自动下载和导入MNIST数据集 # mnist是一个轻量级的类。它以Numpy数组的形式存储着训练、校验和测试数据集。同时提供了一个函数，用于在迭代中获得minibatch，后面我们将会用到。 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=.

收集了亚洲人脸进行模型验证的时候，运行如下代码： python validate_on_lfw.py ../data/AsiaStar_160 ../20180402-114759 --lfw_pairs ../data/pairs_AsiaStar.txt 报错如下： AssertionError: The number of LFW images must be an integer multiple of the LFW batch size 翻译一下就是，图片数量必须是batch siz

准备工作 下载FaceNet源码 https://github.com/davidsandberg/facenet LFW评估测试数据下载 http://vis-www.cs.umass.edu/lfw/lfw.tgz 下载亚洲人脸数据CASIA-FaceV5 原上传者地址：https://download.youkuaiyun.com/download/weixin_42179317/10405384 若无csdn积分可以直接用百度云盘下载：https://pan.baidu.com/s/1WS4nooN

本文参考吴恩达《机器学习》课程。

线性回归是一个比较简单的算法，这里主要借线性回归，讲一下梯度下降法和最大似然函数，后面逻辑回归也会用到。

本文为吴恩达《机器学习》课程的读书笔记，并用python实现。 逻辑回归（logistic regression）虽然叫回归，但他做的事实际上是分类。这里我们讨论二元分类，即只分两类，y属于{0,1}。

本文主要参考吴恩达《机器学习》课程，以及网上各个大牛们的博文。 支持向量机，是一种对线性和非线性数据进行分类的方法。它按以下方法工作：使用一种非线性映射，把原训练数据映射到较高的维上，在新的维上，它搜索最佳分离超平面。使用到足够高维上的、合适的非线性映射，两个类的数据总可以被超平面分开。与其他模型相比，支持向量机不太容易过拟合。 下面按照吴恩达《机器学习》的讲义顺序进行讲解。 1 间隔（

最近用KERAS做了一个图像识别的分类问题，单独在Django上运行没有问题，但是用uwsi+nginx上线部署，程序就卡死在predict这一步。 查了很久，发现大概问题应该是keras后端的tensflow使用的session与uwsgi的session产生冲突（猜测），google了发现不少人也遇到此类问题（https://github.com/keras-team/keras/is...