<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ming5432ming的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ming5432ming</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ming5432ming]]></copyright><item><title><![CDATA[迁移学习之caffe训练的层设置]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78543281</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78543281</guid><author>ming5432ming</author><pubDate>Wed, 15 Nov 2017 18:18:07 +0800</pubDate><description><![CDATA[一/为什么会有迁移学习：

         在模型的训练过程中， 当你有充分的数据时， 你可以将你的网络随机初始化， 进行从头的训练参数过程， 但这个过程可能很长和很痛苦；
          因为模型的前几个层中， 主要学习到的特征是图像的轮廓， 或其他特征， 在在最后的几层才是分类或回归的高级特征， 

          因此人们往往利用别人已经训练好的模型，而修改最后几层，来达]]></description><category></category></item><item><title><![CDATA[深度学习数学基础之线性代数]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78502552</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78502552</guid><author>ming5432ming</author><pubDate>Fri, 10 Nov 2017 19:36:43 +0800</pubDate><description><![CDATA[深度学习中的基本数据结构，基本上都是用向量或矩阵表示的，因此：

深度学习的基础学科之一：就是线性代数。
深度学习中的线性代数知识主要包括以下部分：
1、标量、向量、矩阵和张量：
           这4个变量很好理解： 分别表示 一个数、 一维空间（一条线）、 二维（一个平面）、多于二维（立体或超立体等）；
2、矩阵的乘法和内积：
          这个在深度学习的基础， 必须]]></description><category></category></item><item><title><![CDATA[caffe的softmax层原理及代码解析]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78482179</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78482179</guid><author>ming5432ming</author><pubDate>Wed, 08 Nov 2017 19:22:51 +0800</pubDate><description><![CDATA[一、 在多分类模型中， 常使用softmax分类，它是logistic模型的推广， 将输出映射成概率，在（0,1）之间， 并能够起到突出最大值的作用。
                                                         

                                      e指数曲线                   ]]></description><category></category></item><item><title><![CDATA[caffe之Data_Layer层代码解析]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78460093</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78460093</guid><author>ming5432ming</author><pubDate>Mon, 06 Nov 2017 17:49:00 +0800</pubDate><description><![CDATA[一、 caffe的数据输入层， 根据不同的输入方式有不同的层， 因为本人最早接触的是通过lmdb数据库输入数据，而lmdb对应这DataLayer层， 其实还有一个常用的就是ImageDataLayer层， 这个层 可以直接输入图片的路径， 而不需转换。

    上面这张图， 反应输入层的继承关系和不同层次关系， 可见： DataLayer层 继承自BasePrefetchingDataLa]]></description><category></category></item><item><title><![CDATA[caffe的数据层及参数]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78458916</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78458916</guid><author>ming5432ming</author><pubDate>Mon, 06 Nov 2017 16:23:22 +0800</pubDate><description><![CDATA[Caffe学习系列(2)：数据层及参数


要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。
层有很多种类型，比如Data,Convolution,Pooling]]></description><category></category></item><item><title><![CDATA[图像卷积的理解]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78413182</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78413182</guid><author>ming5432ming</author><pubDate>Wed, 01 Nov 2017 13:37:39 +0800</pubDate><description><![CDATA[本博客谈谈对以下两个问题的理解：
 1. 为何图像的卷积是对应元素相乘并求和；
 2 为何图像的卷积可以实现图像的模糊或锐化的作用。


问题一：
           先借助别人的博客，说明下图像卷积的操作：         

            1.1 图像卷积的操作方法：

          数字图像是一个二维的离散信号，对数字图像做卷积操作其实就是利用卷积核（卷]]></description><category></category></item><item><title><![CDATA[caffe源码解析之Blob 及Python和C++接口调用]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78404487</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78404487</guid><author>ming5432ming</author><pubDate>Tue, 31 Oct 2017 16:02:59 +0800</pubDate><description><![CDATA[一、Blob到底是什么东西？
        可以理解Blob就是个4维数组，n*c*h*w；每个维度分别表示批处理数量，通道个数，高度和宽度；
        这个4维数组的存在形式是以类的形式存在，可以理解为blob就是个数据存储容器。
二、Blob的数据成员
 protected:
  shared_ptr data_;
  shared_ptr diff_;
  shared_pt]]></description><category></category></item><item><title><![CDATA[C++中的static关键字的总结]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78394108</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78394108</guid><author>ming5432ming</author><pubDate>Mon, 30 Oct 2017 16:08:08 +0800</pubDate><description><![CDATA[C++中的static关键字的总结　　C++的static有两种用法：面向过程程序设计中的static和面向对象程序设计中的static。前者应用于普通变量和函数，不涉及类；后者主要说明static在类中的作用。1.面向过程设计中的static1.1静态全局变量在全局变量前，加上关键字static，该变量就被定义成为一个静态全局变量。我们先举一个静态全局变量的例子，如下：//Example 1#i]]></description><category></category></item><item><title><![CDATA[从交叉熵角度理解caffe中softmax_loss层]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78364643</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78364643</guid><author>ming5432ming</author><pubDate>Fri, 27 Oct 2017 14:35:27 +0800</pubDate><description><![CDATA[一、Caffe中的多分类损失函数采用SoftmaxWithLoss层来计算； 损失函数采用的是交叉熵：
            (1)

其中，k为真是的标签，ak表示每个标签的值，而经过softmax（）之后，则返回每一个标签的概率，N表示一个批量的大小， 

          若去掉批量的概念，即 批量数量为1， 可以理解为只输入一张图片， 来确认它的分类， 则损失函数变为：
 ]]></description><category></category></item><item><title><![CDATA[深度学习的简单理解]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78321910</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78321910</guid><author>ming5432ming</author><pubDate>Mon, 23 Oct 2017 18:57:55 +0800</pubDate><description><![CDATA[其实深度学习 只需要理解两句话：
        1.  深度学习让计算机通过简单的概念构建复杂的概念；
         2. 深度学习是机器学习的一种， 能使计算机系统从经验和数据中得到提高的技术。


先来理解第一句话：
         深度学习同样也是学习一个数学函数， 这个函数将一组输入 映射到输出值； 只不过该函数是由许多个简单函数复合而成的。]]></description><category></category></item><item><title><![CDATA[numa的内存按节点分配和线程绑定]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78320372</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78320372</guid><author>ming5432ming</author><pubDate>Mon, 23 Oct 2017 16:40:14 +0800</pubDate><description><![CDATA[前段时间在做1.5亿条数据的比对， 需要多线程和内存的访问问题， 由于内存的访问与numa节点的分配有关，即：cpu访问本地节点的内存速度要快。
现将numa的几个库函数做一下说明：
int main()
{
	if(numa_available()<0)
		{
			printf("your system does not support numa api \n");
			return ]]></description><category></category></item><item><title><![CDATA[C++的标准输出和读写文件]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78298503</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78298503</guid><author>ming5432ming</author><pubDate>Fri, 20 Oct 2017 19:04:24 +0800</pubDate><description><![CDATA[作为第一篇博客，本想写点对深度学习的理解， 但是基于码农的考虑，还是先写“hello word”的一些思考吧。
         说一说标准输入输出和文件读写的相似和不同吧， 请看下面代码：
        #include
        int main()
       {
             std::cout<<"hello world!"<<std::endl;
      ]]></description><category></category></item><item><title><![CDATA[博客宗旨]]></title><link>https://blog.youkuaiyun.com/ming5432ming/article/details/78298458</link><guid>https://blog.youkuaiyun.com/ming5432ming/article/details/78298458</guid><author>ming5432ming</author><pubDate>Fri, 20 Oct 2017 18:59:10 +0800</pubDate><description><![CDATA[在很早的时候就想开始写博客，一直没有下定决心， 一拖再拖， 但今天受到刺激，打算开始我的博客之旅；
        本人的博客 都是自己的理解和思考， 会有部分学习笔记， 都是偏重理解。
         博客涉及内容： C++程序/深度学习/Caffe模型/图像处理等。。。]]></description><category></category></item></channel></rss>