<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[minushuang的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/minushuang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; minushuang]]></copyright><item><title><![CDATA[经验风险，期望风险，结构风险]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/75635289</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/75635289</guid><author>minushuang</author><pubDate>Fri, 21 Jul 2017 11:26:54 +0800</pubDate><description><![CDATA[在机器学习中，通常会遇到期望风险、经验风险和结构风险这三个概念，一直不知道这三个概念之间的具体区别和联系，今天来梳理一下：
要区分这三个概念，首先要引入一个损失函数的概念。损失函数是期望风险、经验风险和结构风险的基础。
损失函数是针对单个具体的样本而言的。表示的是模型预测的值与样本真实值之间的差距。比如对于某个样本，其真实的值为Yi,而我们的模型选择决策函数为f,那么通过模型预测的值为f(Xi]]></description><category></category></item><item><title><![CDATA[resNet50   Vgg16 图像分类]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/69487366</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/69487366</guid><author>minushuang</author><pubDate>Thu, 06 Apr 2017 22:29:27 +0800</pubDate><description><![CDATA[Kera的应用模块Application提供了带有预训练权重的Keras模型，这些模型可以用来进行预测、特征提取和finetune

模型的预训练权重将下载到~/.keras/models/并在载入模型时自动载入



图片分类模型的示例

利用ResNet50网络进行ImageNet分类
from keras.applications.resnet50 import ResNe]]></description><category></category></item><item><title><![CDATA[numpy+mkl,scipy]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/62896764</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/62896764</guid><author>minushuang</author><pubDate>Fri, 17 Mar 2017 19:57:14 +0800</pubDate><description><![CDATA[win10下使用keras。
编译用的Anaconda2.7，里面集成了很多科学计算工具包，numpy, scipy等。
但在实际运行中会有报错。解决如下：
1.卸载numpy，scipy。如在使用过程中，需退出，再卸载。
2.下载numpy_mkl.whl 和 scipy.whl文件（http://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy）]]></description><category></category></item><item><title><![CDATA[如何使用网络的bottleneck特征提升准确率]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/62420151</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/62420151</guid><author>minushuang</author><pubDate>Thu, 16 Mar 2017 12:08:00 +0800</pubDate><description><![CDATA[使用预训练网络的bottleneck特征

一个稍微讲究一点的办法是，利用在大规模数据集上预训练好的网络。这样的网络在多数的计算机视觉问题上都能取得不错的特征，利用这样的特征可以让我们获得更高的准确率。

我们将使用vgg-16网络，该网络在ImageNet数据集上进行训练，这个模型我们之前提到过了。因为ImageNet数据集包含多种“猫”类和多种“狗”类，这个模型已经能够学习与我们这个数]]></description><category></category></item><item><title><![CDATA[如何使用网络的bottleneck特征提升准确率]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/62420135</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/62420135</guid><author>minushuang</author><pubDate>Thu, 16 Mar 2017 12:05:52 +0800</pubDate><description><![CDATA[使用预训练网络的bottleneck特征

一个稍微讲究一点的办法是，利用在大规模数据集上预训练好的网络。这样的网络在多数的计算机视觉问题上都能取得不错的特征，利用这样的特征可以让我们获得更高的准确率。

我们将使用vgg-16网络，该网络在ImageNet数据集上进行训练，这个模型我们之前提到过了。因为ImageNet数据集包含多种“猫”类和多种“狗”类，这个模型已经能够学习与我们这个数]]></description><category></category></item><item><title><![CDATA[ImageNet和CNN可以帮助医学图像的识别吗?]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/54024284</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/54024284</guid><author>minushuang</author><pubDate>Wed, 04 Jan 2017 21:01:42 +0800</pubDate><description><![CDATA[从ImageNet和CNN说起

图像的分类和识别一直是计算机视觉的热门研究领域，在医学图像领域，很多方法也都是从计算机视觉领域借鉴过来的，而计算机视觉的许多方法又离不开机器学习和人工智能的基础。

在典型的图像分类和识别问题中，通常有两个重要的步骤，一个是特征提取，常见的有GLCM, HOG, LBP, Haar Wavelet, 一个是分类器， 例如SVM, Random Forest]]></description><category></category></item><item><title><![CDATA[深度学习资料]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/54024277</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/54024277</guid><author>minushuang</author><pubDate>Wed, 04 Jan 2017 21:00:40 +0800</pubDate><description><![CDATA[1, Michael Nielsen写的在线教程 http://neuralnetworksanddeeplearning.com/

介绍了神经网络的基本结构，有例子展示为何神经网络可以学习任何函数，为什么传统的深度学习很慢等。还提供了基于Theano的用于MNIST手写数字的识别的例子代码。

2, 斯坦福大学的深度学习课程 http://cs231n.github.io/

这是]]></description><category></category></item><item><title><![CDATA[深层学习为何要“Deep”（上）]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/54018703</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/54018703</guid><author>minushuang</author><pubDate>Wed, 04 Jan 2017 14:11:12 +0800</pubDate><description><![CDATA[作者：YJango
链接：https://zhuanlan.zhihu.com/p/22888385
来源：知乎


深层学习开启了人工智能的新时代。不论任何行业都害怕错过这一时代浪潮，因而大批资金和人才争相涌入。但深层学习却以“黑箱”而闻名，不仅调参难，训练难，“新型”网络结构的论文又如雨后春笋般地涌现，使得对所有结构的掌握变成了不现实。我们缺少一个对深层学习合理的认识。
本文就是通]]></description><category></category></item><item><title><![CDATA[PASCAL VOC数据集分析]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/53969189</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/53969189</guid><author>minushuang</author><pubDate>Sun, 01 Jan 2017 23:16:06 +0800</pubDate><description><![CDATA[PASCAL VOC数据集分析
PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。
本文主要分析PASCAL VOC数据集中和图像中物体识别相关的内容。


在这里采用PASCAL VOC2012作为例子。下载地址为：点击打开链接。（本文中的系统环境为ubuntu14.04）
下载完之后解压，可以在]]></description><category></category></item><item><title><![CDATA[实现自己的卷积神经网络]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/53946741</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/53946741</guid><author>minushuang</author><pubDate>Fri, 30 Dec 2016 22:26:08 +0800</pubDate><description><![CDATA[一、卷积神经网络(CNN)

卷积神经网络（ConvolutionalNeural Network,CNN）是人工神经网络的一种。当前已经成为图像和语音识别领域有十分广泛的应用，特别是在识别位移、缩放及其他形式扭曲不变性的二维图形方面有十分优异的表现，已经成为一个十分重要的研究方向。

关于CNN的详细解释可以看这里：http://blog.youkuaiyun.com/zouxy09/article]]></description><category></category></item><item><title><![CDATA[池化层实现]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/53946704</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/53946704</guid><author>minushuang</author><pubDate>Fri, 30 Dec 2016 22:19:52 +0800</pubDate><description><![CDATA[池化层的推导

池化层的输入一般来源于上一个卷积层，主要作用是提供了很强的鲁棒性（例如max-pooling是取一小块区域中的最大值，此时若此区域中的其他值略有变化，或者图像稍有平移，pooling后的结果仍不变），并且减少了参数的数量，防止过拟合现象的发生。池化层一般没有参数，所以反向传播的时候，只需对输入参数求导，不需要进行权值更新。





池化层的前向计算



]]></description><category></category></item><item><title><![CDATA[卷积层的实现]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/53946698</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/53946698</guid><author>minushuang</author><pubDate>Fri, 30 Dec 2016 22:18:47 +0800</pubDate><description><![CDATA[卷积层的推导

卷积层的前向计算

如下图，卷积层的输入来源于输入层或者pooling层。每一层的多个卷积核大小相同，在这个网络中，我使用的卷积核均为5*5。






如图输入为28*28的图像，经过5*5的卷积之后，得到一个(28-5+1)*(28-5+1) = 24*24、的map。卷积层2的每个map是不同卷积核在前一层每个map上进行卷积，并将每个对应位置上的值相]]></description><category></category></item><item><title><![CDATA[卷积神经网络CNN]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/53946595</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/53946595</guid><author>minushuang</author><pubDate>Fri, 30 Dec 2016 21:56:29 +0800</pubDate><description><![CDATA[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)，这里注意：感受野的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的]]></description><category></category></item><item><title><![CDATA[CNN中权值共享理解]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/53946569</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/53946569</guid><author>minushuang</author><pubDate>Fri, 30 Dec 2016 21:50:08 +0800</pubDate><description><![CDATA[第一步，针对一个神经元，一幅640*360图像，一个神经元要对应640*360个像素点，即一个神经元对应全局图像，全连接的话一个神经元就有640*360个参数；

第二步，然而，图像的空间联系是局部的，就像人是通过一个局部的感受野去感受外界图像一样，每一个神经元都不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些不同局部的神经元综合起来就可以得到全局信息。假如每个局部]]></description><category></category></item><item><title><![CDATA[TCP/IP三次握手与四次挥手过程状态详解]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/52059481</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/52059481</guid><author>minushuang</author><pubDate>Thu, 28 Jul 2016 21:50:08 +0800</pubDate><description><![CDATA[面试经常会被问到TCP/IP的问题，整理如下

TCP(Transmission Control Protocol)　传输控制协议

三次握手

TCP是主机对主机层的传输控制协议，提供可靠的连接服务，采用三次握手确认建立一个连接:

位码即tcp标志位,有6种标示:SYN(synchronous建立联机) ACK(acknowledgement 确认) PSH(push传送) F]]></description><category></category></item><item><title><![CDATA[TCP/IP三次握手与四次挥手过程状态详解]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/52059463</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/52059463</guid><author>minushuang</author><pubDate>Thu, 28 Jul 2016 21:46:15 +0800</pubDate><description><![CDATA[TCP(Transmission Control Protocol)　传输控制协议

三次握手

TCP是主机对主机层的传输控制协议，提供可靠的连接服务，采用三次握手确认建立一个连接:

位码即tcp标志位,有6种标示:SYN(synchronous建立联机) ACK(acknowledgement 确认) PSH(push传送) FIN(finish结束) RST(reset重置) ]]></description><category></category></item><item><title><![CDATA[Kinect开发教程——OpenNI的安装与开发环境的配置]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/51788198</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/51788198</guid><author>minushuang</author><pubDate>Thu, 30 Jun 2016 10:24:37 +0800</pubDate><description><![CDATA[原文链接：http://blog.youkuaiyun.com/chenxin_130/article/details/6693390

关于OpenNI2.X版本的安装与开发环境配置，请参考《Kinect开发教程六：OpenNI2简介、安装与VS开发环境配置》


Kinect作为新一代的体感设备，小斤就不多介绍咯，微软日前也发布了相应的官方SDK，用以开发Kinect在PC上的应用。但就目前的情]]></description><category></category></item><item><title><![CDATA[Eclipse下设置github开发环境]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/50475207</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/50475207</guid><author>minushuang</author><pubDate>Thu, 07 Jan 2016 11:44:18 +0800</pubDate><description><![CDATA[1.按照github上的指南配置（http://help.github.com/win-set-up-git/）基础的git环境。


2.在github上创建一个Repository。

3.在Eclipse中通过“Eclipse Marketplaces”，在Market Places里安装egit。

4.在Eclipse中生public key, 并添加到GitHub Rep]]></description><category></category></item><item><title><![CDATA[图像处理之——膨胀、腐蚀算法详解]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/50435689</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/50435689</guid><author>minushuang</author><pubDate>Wed, 30 Dec 2015 16:48:37 +0800</pubDate><description><![CDATA[原理：在特殊领域运算形式——结构元素（Sturcture Element），在每个像素位置上与二值图像对应的区域进行特定的逻辑运算。运算结构是输出图像的相应像素。运算效果取决于结构元素大小内容以及逻辑运算性质。

结构元素：膨胀和腐蚀操作的最基本组成部分，用于测试输出图像，通常要比待处理的图像小还很多。二维平面结构元素由一个数值为0或1的矩阵组成。结构元素的原点指定了图像中需要处理的像素范围，]]></description><category></category></item><item><title><![CDATA[OpenCV视频写入详解_Python，视频保存0kb问题]]></title><link>https://blog.youkuaiyun.com/minushuang/article/details/50359713</link><guid>https://blog.youkuaiyun.com/minushuang/article/details/50359713</guid><author>minushuang</author><pubDate>Sat, 19 Dec 2015 21:11:51 +0800</pubDate><description><![CDATA[问题：为何视频能读出来，而写入代码也没报错，但文件大小为0k，视频好似没有写入成功！
原因：cv2.VideoWriter()第二个参数控制视频编码的格式，多数教程上是这样写的
videoWriter = cv2.VideoWriter('out.mp4', cv2.cv.CV_FOURCC('M', 'J', 'P', 'G'), fps, size)
或
videoWriter = c]]></description><category></category></item></channel></rss>