necrazy的专栏

作者：朱坚升链接：https://www.zhihu.com/question/35754716/answer/66561128来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。1、会更新，finetune的过程相当于继续训练，跟直接训练的区别是初始化的时候：a. 直接训练是按照网络定义指定的方式初始化（如高斯随机初始化）b. finetun

R-FCN、SSD、YOLO2、faster-rcnn和labelImg实验笔记深度学习班和视觉班寒老师和李老师讲过图像检测与识别，这篇笔记主要记录R-FCN、SSD、YOLO2、faster-rcnn和labelImg实验。R-FCNpaper:https://arxiv.org/abs/1605.06409作者代码：https://github.com/daij

摘要：Caffe是一个清晰而高效的深度学习框架，本文详细介绍了caffe的优势、架构，网络定义、各层定义，Caffe的安装与配置，解读了Caffe实现的图像分类模型AlexNet，并演示了CIFAR-10在caffe上进行训练与学习。Caffe是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的 贾扬清，目前在Google工作。Caffe是纯粹的C++/C

注：本文是Ilya Sutskever受邀给Yisong Yue博客写的文章。原文在Yisong Yue博客上：http://yyue.blogspot.com/2015/01/a-brief-overview-of-deep-learning.html 由于blogspot被墙，为方便读者，特转来墙内。A Brief Overview of Deep Learning

摘要： 深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务建模能力。训练深层模型是长期以来的难题，近年来以层次化、逐层初始化为代表的一系列方法的提出给训练深层模型带来了希望，并在多个应用领域获得了成功。深层模型的并行化框架和训练加速方法是深度学习走向实用的重要基石，

Common Pitfalls in Machine LearningJanuary 6, 2015dn3 CommentsOver the past few years I have worked on numerous different machine learning problems. Along the way I have fallen foul of many

在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。本文的目的就是对常用的相似性度量作一个总结。本文目录：1. 欧氏距离2. 曼哈顿距离3. 切比雪夫距离4. 闵可夫斯基距离5. 标准化欧氏距离6.

After we understand the type of machine learning problem we are working with, we can think about the type of data to collect and the types of machine learning algorithms we can try. In this post we

Clever Methods of OverfittingTags: Organization — jl@ 10:56 am“Overfitting” is traditionally defined as training some flexible representation so that it memorizes the data but fails to predi

Metacademy的创始人Colorado Reed发布过一篇名为“机器学习练级攻略”，文中回答了初学者经常问他的一个问题：如何才能更好地学习机器学习？这篇文章将总结Colorado的建议并分步讲解他文中的路线图。如何更好地掌握机器学习Colorado是伯克利大学的在读博士，同时也是Metacademy的创始人。Metacademy是一个优秀的开源平台，许多专业人员共同在这个平台上编写w

机器学习中的相似性度量 在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。本文的目的就是对常用的相似性度量作一个总结。本文目录：1. 欧氏距离2. 曼哈顿距离3. 切比雪夫距

Logistic regression （逻辑回归）是当前业界比较常用的机器学习方法，用于估计某种事物的可能性。比如某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。（注意这里是：“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘）  那么它究竟是

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出

1、基于监督的方法1.1、Eigen et al.使用深度学习做深度估计最经典的两篇文章应该属于Eigen组2014,2015年的两篇工作：Depth Map Prediction from a Single Image using a Multi-Scale Deep Network (2014 NIPS)Predicting Depth, Surface Normals and...