<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[不系之舟的专栏-QQ讨论群331590339]]></title><description><![CDATA[我希望是云能和岁月并肩而行永远不懂什么是离情；是风有一颗宽容的心能接纳每一种感情]]></description><link>https://blog.youkuaiyun.com/lixianjun913</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lixianjun913]]></copyright><item><title><![CDATA[深度学习调参技巧汇总]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/79395709</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/79395709</guid><author>lixianjun913</author><pubDate>Wed, 28 Feb 2018 09:21:01 +0800</pubDate><description><![CDATA[1、深度学习训练的小技巧，调参经验。总结与记录。http://blog.youkuaiyun.com/chenzhi1992/article/details/52905569 
2、深度学习（deep learning）优化调参细节（trick）http://blog.youkuaiyun.com/h4565445654/article/details/70477979 
3、深度学习 14. 深度学习调参，CNN参数调...]]></description><category></category></item><item><title><![CDATA[win7+VS2013下编译OpenCV3.4与到的一些坑]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/79363011</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/79363011</guid><author>lixianjun913</author><pubDate>Sat, 24 Feb 2018 16:55:34 +0800</pubDate><description><![CDATA[win7+VS2013下编译OpenCV3.4与到的一些坑


编译前的准备
编译过程
遇到的问题


1、编译前的准备 
1.1、安装win7系统和下载VS2013并安装 
1.2、下载OpenCV3.4  GitHub 链接  https://github.com/opencv/opencv/releases 
1.3、在 GitHub 中下载 opencv_contrib 的源码压缩包 （此...]]></description><category></category></item><item><title><![CDATA[HOG理论+SVM介绍+（hog+svm组合行人检测）]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/79345792</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/79345792</guid><author>lixianjun913</author><pubDate>Thu, 22 Feb 2018 10:23:56 +0800</pubDate><description><![CDATA[HOG理论+SVM介绍+（hog+svm组合行人检测）

1、hog理论 
  梯度直方图特征(HOG) 是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行...]]></description><category></category></item><item><title><![CDATA[深度学习与计算机视觉核心技术与应用（学习目录简介）]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/53404372</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/53404372</guid><author>lixianjun913</author><pubDate>Wed, 30 Nov 2016 09:32:45 +0800</pubDate><description><![CDATA[无意中看到举办的深度学习与计算机视觉的课程培训，看到培训的内容，很是感兴趣，有种把之前零散学习到的东西进行了一次总结。因此我想根据培训课程的目录把我之前的学习的一些内容以及个人经验进行一次全面的总结，也当做一次复习吧！ 
　 　 深度学习是近十年来人工智能领域取得的重要突破。它在计算机视觉、图像与视频分析、语音识别、自然语言处理、多媒体等诸多领域的应用跨入高速发展期。对行业从业人员的技术要求也在日益]]></description><category></category></item><item><title><![CDATA[Caffe学习总结（四）——使用mnist训练模型识别一张手写数字图像]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52512407</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52512407</guid><author>lixianjun913</author><pubDate>Mon, 12 Sep 2016 12:20:37 +0800</pubDate><description><![CDATA[1、简述2、实现过程3、结果]]></description><category></category></item><item><title><![CDATA[解决在matplotlib使用中文的问题]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52511461</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52511461</guid><author>lixianjun913</author><pubDate>Mon, 12 Sep 2016 10:39:10 +0800</pubDate><description><![CDATA[原生的matplotlib并不支持直接使用中文，而需要修改一下相应的文件，上网搜了下，找到一个最简洁的办法。NO.1找到matplotlibrc文件C:\Python26\Lib\site-packages\matplotlib\mpl-data\matplotlibrc(Windows)/usr/share/matplotlib/mpl-data/matplotlibrc (Linux)NO.2找]]></description><category></category></item><item><title><![CDATA[《机器学习实战》学习（三）——决策树实例]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52506828</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52506828</guid><author>lixianjun913</author><pubDate>Sun, 11 Sep 2016 22:01:33 +0800</pubDate><description><![CDATA[实例一 《机器学习》书中4.3习题1、问题描述试编程实现基于信息熵进行划分选择的决策树算法，并为表4.3中数据生成一棵决策树，表4.3数据如下：
‘色泽’,’根蒂’,’敲声’,’纹理’,’脐部’,’触感’,’密度’,’含糖率’ 
青绿  蜷缩  浊响  清晰  凹陷  硬滑  0.697   0.46    是 
乌黑  蜷缩  沉闷  清晰  凹陷  硬滑  0.774   0.376   是]]></description><category></category></item><item><title><![CDATA[《机器学习实战》学习（二）——决策树（DT）]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52506795</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52506795</guid><author>lixianjun913</author><pubDate>Sun, 11 Sep 2016 21:57:35 +0800</pubDate><description><![CDATA[1、决策树简述决策树学习是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。在周志华老师的《机器学习》这本书中专门一章节对决策树进行了讲述。并对id3算法后的改进算法也做了相应的介绍。决策树容易导致过拟合现象，介绍了预剪枝和后剪枝等相关的处理方法。决策树依赖测试集，可以把测试集生成的树结构序列化存到文件中，下次使用可以很快进行加载。 
一个牛人对决策树的总结，我觉得很有道理，]]></description><category></category></item><item><title><![CDATA[Caffe学习总结（三）——mnist手写字库识别例程（1）]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52450394</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52450394</guid><author>lixianjun913</author><pubDate>Tue, 06 Sep 2016 15:38:13 +0800</pubDate><description><![CDATA[了解了几天的caffe，今天终于开始跑第一个例程了，使用caffe进行手写数字识别。此库使用了比较流行的数字库mnist。可以从官网中了解到mnist总共有60000张样例图像，其中10000张用于测试使用，50000张用于学习训练。这些数据已经序列化成一定的格式。 
刚刚搭建起caffe的环境，于是就想跑一个测试程序，尝试体验一下caffe。没想到遇到一大堆没有看明白的东西，差点放弃。后来经过认真]]></description><category></category></item><item><title><![CDATA[Caffe学习总结（二）——caffe环境搭建]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52438612</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52438612</guid><author>lixianjun913</author><pubDate>Mon, 05 Sep 2016 11:14:28 +0800</pubDate><description><![CDATA[我尝试使用VS2013+win7+caffe进行学习1、需准备的资料（1）VS2013下载地址 微软Visual Studio 2013旗舰版(VS2013中文版下载)官方中文版 
http://download.microsoft.com/download/0/7/5/0755898A-ED1B-4E11-BC04-6B9B7D82B1E4/VS2013_RTM_ULT_CHS.iso 
Visu]]></description><category></category></item><item><title><![CDATA[Python中使用matPlotlib绘图-曲线图、柱状图、散列点]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52402135</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52402135</guid><author>lixianjun913</author><pubDate>Thu, 01 Sep 2016 17:46:24 +0800</pubDate><description><![CDATA[收集了使用matplotlib绘制曲线图、柱状图、散列点的绘制方法 
实现代码如下import matplotlib  #导入matplotlib库
from numpy import *
import numpy as np
import matplotlib.pyplot as plt
#画曲线图
fig = plt.figure()
def f(x1, c):
     m1 = sin(2*]]></description><category></category></item><item><title><![CDATA[《机器学习实战》学习（一）——k-近邻算法（kNN）]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52401573</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52401573</guid><author>lixianjun913</author><pubDate>Thu, 01 Sep 2016 17:00:50 +0800</pubDate><description><![CDATA[1、k近邻算法的理解K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。 
可以简单的理解为是通过测量与不同特征值之间的距离来进行分类。书中采用欧式距离实现k近邻算法。2、书中例子的Python实现与]]></description><category></category></item><item><title><![CDATA[十个值得一试的开源深度学习框架]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52396422</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52396422</guid><author>lixianjun913</author><pubDate>Thu, 01 Sep 2016 09:42:01 +0800</pubDate><description><![CDATA[本周早些时候Google开源了TensorFlow（GitHub），此举在深度学习领域影响巨大，因为Google在人工智能领域的研发成绩斐然，有着雄厚的人才储备，而且Google自己的Gmail和搜索引擎都在使用自行研发的深度学习工具。无疑，来自Google军火库的TensorFlow必然是开源深度学习软件中的明星产品，登陆GitHub当天就成为最受关注的项目，当周获得评星数就轻松超过1万个。对于希]]></description><category></category></item><item><title><![CDATA[Caffe学习总结（一）——初识caffe]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52386767</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52386767</guid><author>lixianjun913</author><pubDate>Wed, 31 Aug 2016 16:58:57 +0800</pubDate><description><![CDATA[深度学习在当前情况下可以用一个字来形容“火”，目前项目中使用到了常用的机器学习算法，在使用过程中发现图像的特征提取成为识别的瓶颈，无意中了解到caffe，可以很好的解决特征提取的问题。于是想尝试一下caffe的威力。初识caffe，就习惯性了想了解下作者，发现设计作者是贾杨清，终于发现一个牛逼的框架是我们中国人做的啦！于是很兴奋，很想深入的进行学习，希望能在工作中使用起来。1、caffe的由来2、c]]></description><category></category></item><item><title><![CDATA[周志华 《机器学习》之 第14、15、16章 概念总结]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52384302</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52384302</guid><author>lixianjun913</author><pubDate>Wed, 31 Aug 2016 13:58:21 +0800</pubDate><description><![CDATA[14章：概率图模型参阅：http://www.cnblogs.com/ironstark/p/5229085.html15章：规则学习参阅：http://blog.youkuaiyun.com/pallypally/article/details/803215816章：强化学习参阅：http://my.oschina.net/stone8oy/blog/270349总结： 
至此就将周老师的机器学习这本书采用走]]></description><category></category></item><item><title><![CDATA[周志华 《机器学习》之 第十三章（半监督学习）概念总结]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52367607</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52367607</guid><author>lixianjun913</author><pubDate>Tue, 30 Aug 2016 11:08:30 +0800</pubDate><description><![CDATA[在前面章节中接触到的大部分都是监督学习方法以及无监督学习方法（聚类），这章讲述的半监督学习，我个人理解，应该是存在一部分标记样本，但是又不足以训练出一个良好性能的学习器，因此采用将其它未标记样本加入其中进行训练，这样的学习称为半监督学习。 
对半监督的理解可参阅http://blog.youkuaiyun.com/yhdzw/article/details/227333711、未标记样本2、生成式方法3、半监督]]></description><category></category></item><item><title><![CDATA[周志华 《机器学习》之 第十二章（计算学习理论）概念总结]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52367114</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52367114</guid><author>lixianjun913</author><pubDate>Tue, 30 Aug 2016 10:28:13 +0800</pubDate><description><![CDATA[看到12章，题目叫计算学习理论，当时一萌，这是干什么用的呢？前面的章节中基本都是讲述了一些机器学习的一些常用方法。看到这个标题我的第一反应应该是理论方面的研究，那是否对计算与学习这两方面的理论研究呢？既然是理论的东西，我想对于一般应用机器学习算法的来说，可能意义不大吧！但是我个人认为有可能也可以指导我们进行算法设计。周老师数据对计算学习理论这么描述的，（是关于机器学习的理论基础，其目的是分析学习任务]]></description><category></category></item><item><title><![CDATA[周志华 《机器学习》之 第十一章（特征选择与稀疏学习）概念总结]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52355299</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52355299</guid><author>lixianjun913</author><pubDate>Mon, 29 Aug 2016 17:53:48 +0800</pubDate><description><![CDATA[在做图像识别的程序中，我们经常遇到特征这个词语，也常有特征提取作为识别的前序工作，通常我们可以根据提取到的特征，根据应有特征进行对比，最终完成对物体缺陷等的识别。那么在提取到的众多特征中，如何有效的提取到能很好进行分类的特征呢？在识别过程中，往往通过经验总结，或直接的抽象特征作为判别条件。在机器学习中，周老师讲到的特征选择，我想也是对属性空间中所有特征，进行一个筛选，选择出有效特征。我想我们也可以理]]></description><category></category></item><item><title><![CDATA[敏捷开发相关讨论]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52329304</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52329304</guid><author>lixianjun913</author><pubDate>Fri, 26 Aug 2016 15:58:30 +0800</pubDate><description><![CDATA[列举一些对敏捷开发模式比较实用的文章： 
1、敏捷开发流程总结 
http://blog.youkuaiyun.com/alvanchen/article/details/5749872 
2、创业公司如何实施敏捷开发 
http://www.lanceyan.com/chuangye/chuangye_agile_scrum.html 
3、JAVA敏捷开发环境搭建 
http://www.lanceyan.]]></description><category></category></item><item><title><![CDATA[周志华 《机器学习》之 第十章（降维与度量学习）概念总结]]></title><link>https://blog.youkuaiyun.com/lixianjun913/article/details/52327770</link><guid>https://blog.youkuaiyun.com/lixianjun913/article/details/52327770</guid><author>lixianjun913</author><pubDate>Fri, 26 Aug 2016 13:59:37 +0800</pubDate><description><![CDATA[降维在一起图像识别过程也经常被采用的一种分类算法，例如二维数据经过投影变为一维数据，从而更好的表征数据的特征，再进行识别。在前面章节中提到过LDA（线性判别分析）也可以当做一种简单降维处理。在周老师的这章中主要讲述PCA主成分分析算法对高维数据进行降维。降维是一种解决维数灾难的重要途径。书中从如下几节进行介绍：1、K邻近学习2、低维嵌入3、主成分分析（PCA）4、核化线性降维5、流形学习6、度量学习]]></description><category></category></item></channel></rss>