<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ClarkChang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hemro</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hemro]]></copyright><item><title><![CDATA[深度学习之  人脸生成 BEGAN  TensorFlow 实现]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/100651440</link><guid>https://blog.youkuaiyun.com/hemro/article/details/100651440</guid><author>hemro</author><pubDate>Tue, 10 Sep 2019 11:11:36 +0800</pubDate><description><![CDATA[ 
 本文介绍 BEGAN (BoundaryEquilibriumGenerative AdversarialNetworks)，边界平衡生成对抗网络程
 
 参考资料
 论文https://arxiv.org/pdf/1703.10717.pdf
 
1、简述
 
生成性对抗网络 (GAN)是一类用于学习数据分布 的方法并实现一个从中抽样的模型。GAN围绕两个功能构建：生成器G(z)，它将样本...]]></description><category></category></item><item><title><![CDATA[深度学习之 DCGAN 及TensorFlow 实现]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/99853361</link><guid>https://blog.youkuaiyun.com/hemro/article/details/99853361</guid><author>hemro</author><pubDate>Sun, 08 Sep 2019 21:22:11 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/dongxiaocong/article/details/81316343
https://blog.youkuaiyun.com/qq_36433725/article/details/86657556
https://blog.youkuaiyun.com/u013329585/article/details/88114602

]]></description><category></category></item><item><title><![CDATA[深度学习之  生成对抗网络 GAN  及发展历程整理]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/99682387</link><guid>https://blog.youkuaiyun.com/hemro/article/details/99682387</guid><author>hemro</author><pubDate>Tue, 27 Aug 2019 17:55:22 +0800</pubDate><description><![CDATA[代码
import argparse
import distutils.util
import tensorflow as tf
import numpy as np
import pickle
import matplotlib.pyplot as plt
import os


from tensorflow.examples.tutorials.mnist import input_data...]]></description><category></category></item><item><title><![CDATA[深度学习之  CGAN及TensorFlow 实现]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/99682960</link><guid>https://blog.youkuaiyun.com/hemro/article/details/99682960</guid><author>hemro</author><pubDate>Tue, 20 Aug 2019 22:39:42 +0800</pubDate><description><![CDATA[代码
import argparse
import distutils.util
import tensorflow as tf
import numpy as np
import pickle
import matplotlib.pyplot as plt
import os


from tensorflow.examples.tutorials.mnist import input_data...]]></description><category></category></item><item><title><![CDATA[深度学习之  softmax和交叉熵]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/95068368</link><guid>https://blog.youkuaiyun.com/hemro/article/details/95068368</guid><author>hemro</author><pubDate>Mon, 08 Jul 2019 17:17:58 +0800</pubDate><description><![CDATA[ 
 记录 深度学习经典输出单元函数softmax和损失函数cross- entropy组合的推理过程
 
 以识别0~9的手写例子来尝试描述这个问题，假设输入数据集为28x28的手写数字（单通道）。
那么输入图片X为28x28 = 784 维的一个向量。并，简单起见使用单层网络W_i x + b。
 假设

 等式右边：
  输入图片X像素0~784 * Wij + bi
  其中Wij 是i数...]]></description><category></category></item><item><title><![CDATA[深度学习之 物体识别 Tensorflow object detection API 训练自己的模型 完整例子]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/94617157</link><guid>https://blog.youkuaiyun.com/hemro/article/details/94617157</guid><author>hemro</author><pubDate>Thu, 04 Jul 2019 14:42:56 +0800</pubDate><description><![CDATA[ 
   记录 Tensorflow object detection API 物体识别  训练自己的模型
 
1、搭建环境
 本例子，基于win10 64位 + Anaconda环境
安装和验证(自带例子)过程中会遇到缺失包及各种版本匹配问题(公司网络有些限制)，如果想节省时间的，可以安装如下版本的
Anaconda及相关包
  1、安装Anaconda，版本建议如下
Anaconda3-5.2...]]></description><category></category></item><item><title><![CDATA[深度学习之    人脸识别（3） 摄像头识别人脸 实例]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/94571118</link><guid>https://blog.youkuaiyun.com/hemro/article/details/94571118</guid><author>hemro</author><pubDate>Thu, 04 Jul 2019 14:36:22 +0800</pubDate><description><![CDATA[sdfasd

]]></description><category></category></item><item><title><![CDATA[深度学习之    人脸识别（2） 模型]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/94549678</link><guid>https://blog.youkuaiyun.com/hemro/article/details/94549678</guid><author>hemro</author><pubDate>Wed, 03 Jul 2019 16:06:23 +0800</pubDate><description><![CDATA[ 
  人脸识别分两个部分：
  第一步：人脸图片预处理，即检测图片中人脸并裁剪成指定尺寸的人脸图。
  第二步：人脸识别，包括模型训练、目标人脸分类训练、 预测目标人脸。
 
1. 理论概述
前馈深度网路
1.2 卷积神经网络
2.  人脸识别实例
2.1 人脸识别概述
2.1.1 人脸检测、对齐
2.1.2 人脸识别
2.2 实例
2.2.1 Inception模型
2.2.2 训练模型
2....]]></description><category></category></item><item><title><![CDATA[深度学习之    人脸识别（1） 人脸预处理]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/94464969</link><guid>https://blog.youkuaiyun.com/hemro/article/details/94464969</guid><author>hemro</author><pubDate>Wed, 03 Jul 2019 11:37:22 +0800</pubDate><description><![CDATA[1. 理论概述
1.1 前馈深度网路
1.2 卷积神经网络
2.  人脸识别实例
2.1 人脸识别概述
2.1.1 人脸检测、对齐
2.1.2 人脸识别
2.2 实例
2.2.1 Inception模型
2.2.2 训练模型
2.2.3 SVM分类训练及预测
2.2.4 演示USB摄像头捕捉的人脸识别

...]]></description><category></category></item><item><title><![CDATA[深度学习之  卷积神经网络  CNN]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/94442858</link><guid>https://blog.youkuaiyun.com/hemro/article/details/94442858</guid><author>hemro</author><pubDate>Tue, 02 Jul 2019 18:14:08 +0800</pubDate><description><![CDATA[ 
 
 CNN（Convolutional Neural Network）卷积神经网络，是一种前馈神经网络，是一种专门用来处理具有类似网格
结构的数据的。神经网络它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括
卷积层(convolutional layer)和池化层(pooling layer)。
 卷积神经网络  一词表明该网络使用了卷积（convolut...]]></description><category></category></item><item><title><![CDATA[深度学习之   深度模型中的优化]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/94433274</link><guid>https://blog.youkuaiyun.com/hemro/article/details/94433274</guid><author>hemro</author><pubDate>Tue, 02 Jul 2019 14:44:28 +0800</pubDate><description><![CDATA[ 
  本章介绍深度模型中的常见算法及优化，部分先简单介绍其概念，后续再继续展开。
 
1、神经网络优化中的挑战
 
 首先看下深度网络优化中的挑战
 1、病态
 比如梯度范数随着时间不收敛
 2、局部极小值
 3、高点、鞍点和其他平坦区域
鞍点：某个横截面（方向）上局部最小值，某个横截面上取局部极大值
 4、悬崖和梯度爆炸
 5、长期依赖
 由于变深的结构使模型丧失了学习到先前信息的能力，让优化...]]></description><category></category></item><item><title><![CDATA[深度学习之  深度前馈网络]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/94390991</link><guid>https://blog.youkuaiyun.com/hemro/article/details/94390991</guid><author>hemro</author><pubDate>Tue, 02 Jul 2019 09:48:14 +0800</pubDate><description><![CDATA[ 
  上一篇简单介绍了深度学习概念，本文将介绍最典型的神经网络模型之，深度前馈网络(deep feedforward network)，也叫做前
 馈神经网络(feedforward neuralnetwork)。
  深度前馈网络是典型的深度学习模型，目标是近似某个函数f*，比如映射y=(x;)，并学习的值，使他能够得到函数近似值。
是深度网络的基础。下面简单介绍深度前馈网络的概念，架构，算法...]]></description><category></category></item><item><title><![CDATA[深度学习之   什么是深学习]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/93891049</link><guid>https://blog.youkuaiyun.com/hemro/article/details/93891049</guid><author>hemro</author><pubDate>Fri, 28 Jun 2019 14:36:49 +0800</pubDate><description><![CDATA[ 
  本文简单介绍深度学习概念
 
1、深度学习基本思想
 
 假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为： I =&gt;S1=&gt;S2=&gt;……=&gt;Sn =&gt; O，
如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，保持了不变，这意味着输入I经过每一层Si都没有任何的
信息损失，即在任何一层Si，它都是原有信息...]]></description><category></category></item><item><title><![CDATA[机器学习之 奇异值分解 SVD]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/93884365</link><guid>https://blog.youkuaiyun.com/hemro/article/details/93884365</guid><author>hemro</author><pubDate>Thu, 27 Jun 2019 16:11:02 +0800</pubDate><description><![CDATA[ 
 奇异值分解（Singular Value decomposition SVD）， 更小的数据集来表示原始数据。去除噪音和冗余数据。
 
 大致原理记录：
1、特征值
 如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：
或

 这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的
形式：

其中Q是这个矩阵A的特征向量...]]></description><category></category></item><item><title><![CDATA[机器学习之   主成分分析  PCA]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/93741843</link><guid>https://blog.youkuaiyun.com/hemro/article/details/93741843</guid><author>hemro</author><pubDate>Wed, 26 Jun 2019 17:31:30 +0800</pubDate><description><![CDATA[ 
 降维是机器学习常用的数据预处理方法，降维的目标就是对输入数据进行消减，消除一些无关紧要的特征及噪声，从而提高机器学习的性能。
 降维优点，降低数据的复杂性，识别最重要的多个特征。
 缺点，不一定需要，可能损失有用的信息
 几种降维算法：
  - 主成分分析（principle component analysis PCA）
  - 因子分析（factor analysis）
  - 独立成分...]]></description><category></category></item><item><title><![CDATA[机器学习算法   无监督学习 算法]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/93634747</link><guid>https://blog.youkuaiyun.com/hemro/article/details/93634747</guid><author>hemro</author><pubDate>Wed, 26 Jun 2019 14:51:22 +0800</pubDate><description><![CDATA[本文介绍无监督学习算法：
聚类算法
Apriori算法
FP-growth 算法
1 聚类算法
2 Apriori算法
3 FP-growth 算法

]]></description><category></category></item><item><title><![CDATA[机器学习算法之  树回归]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/93624549</link><guid>https://blog.youkuaiyun.com/hemro/article/details/93624549</guid><author>hemro</author><pubDate>Tue, 25 Jun 2019 17:13:33 +0800</pubDate><description><![CDATA[ 上一章介绍的线性回归，创建的模型需要拟合所有样本点（局部加权线性回归除外）。当数据拥有众多特征并且特征之间关系十分复杂时，构建全局模型的就非常困难，且实际生活中很多问题都是非线性的，不可能使用全局线性模型来拟合任何数据。
 那么有一种方法，将数据集切分成很多份容易建模的数据，然后利用线性回归技术来建模，如果切分后仍然难以模拟线性模型就继续切分。这种切分方式，树结构和回归的结合。
 本章介绍两种回...]]></description><category></category></item><item><title><![CDATA[机器学习算法之 回归  regression]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/93471071</link><guid>https://blog.youkuaiyun.com/hemro/article/details/93471071</guid><author>hemro</author><pubDate>Tue, 25 Jun 2019 11:00:37 +0800</pubDate><description><![CDATA[前面讲述了分类，分类的目标变量是表称型的，对其进行分类，回归是对连续数据做出预测。目的就是预测目标值，最直接的方法是写出一个目标公式，即回归方程，求这些回归系数的过程叫做回归。
当前回归指的都是线性回归，非线性暂不涉及。
常见算法和实现
1、  线性回归
2、  局部加权线性回归
3、  缩减系数
a、岭回归
b、Lasso
c、前向逐步回归
1 线性回归
2 局部加权回归
3 前向逐步回归
4 ...]]></description><category></category></item><item><title><![CDATA[机器学习算法之  元算法 AdaBoost]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/90794336</link><guid>https://blog.youkuaiyun.com/hemro/article/details/90794336</guid><author>hemro</author><pubDate>Tue, 04 Jun 2019 18:14:55 +0800</pubDate><description><![CDATA[ 元算法是对其他算法组合的一种方式，最流行的元算法AdaBoost (adptive boosting 自适应boosting)。先建立一个单层决策树，adaboost再单层决策树进行分裂。
 算法原理，
训练：使用弱分类(原则上任何一种分类算法都试用)，每一次训练时对有不同权重的数据得到一个最佳分类结果(分错率最低，权重只对分错结果影响不参与分类计算)，权重第一次全部相等，结束每次分类后，按分类...]]></description><category></category></item><item><title><![CDATA[机器学习算法之 支持向量机( SVM )之SMO方法]]></title><link>https://blog.youkuaiyun.com/hemro/article/details/90757075</link><guid>https://blog.youkuaiyun.com/hemro/article/details/90757075</guid><author>hemro</author><pubDate>Tue, 04 Jun 2019 11:16:39 +0800</pubDate><description><![CDATA[本文记录最成功的监督机器学习算法之一，支持向量机SVM（Support VectorMachines）之SMO（Sequential Minimal Optimization）序列最小化算法算法。
过程中出了看论文外，参考了不少博客，整理下整个过程记的理解，包括推理、迭代、代码等
SVM原理简述
如下图，两种类型数据点可以通过一条直线分开，叫做线性可分。如果数据点为二维分割线为一条直线，三维的一个...]]></description><category></category></item></channel></rss>