<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_29133371的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_29133371</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_29133371]]></copyright><item><title><![CDATA[Anaconda 安装tensorflow后安装warp-ctc]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/80407985</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/80407985</guid><author>qq_29133371</author><pubDate>Tue, 22 May 2018 17:25:22 +0800</pubDate><description><![CDATA[warp-ctc: https://github.com/baidu-research/warp-ctcAnaconda 安装tensorflow参照官网即可。环境：Ubuntu 14.04，tf 1.5, GPU1：找一个位置，clone warp-ctcgit clone https://github.com/baidu-research/warp-ctc.git
cd warp-ctc2:创...]]></description><category></category></item><item><title><![CDATA[深度学习 loss]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/78219920</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/78219920</guid><author>qq_29133371</author><pubDate>Thu, 12 Oct 2017 21:13:04 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[深度学习，机器学习部分基本概念]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/78219802</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/78219802</guid><author>qq_29133371</author><pubDate>Thu, 12 Oct 2017 21:04:01 +0800</pubDate><description><![CDATA[由于公式上传不上去，没办法。文档地址：http://download.youkuaiyun.com/download/qq_29133371/9998046，为什么现在没有0分值了？]]></description><category></category></item><item><title><![CDATA[深度学习 激活函数]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/78219578</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/78219578</guid><author>qq_29133371</author><pubDate>Thu, 12 Oct 2017 20:45:17 +0800</pubDate><description><![CDATA[由于公式上传不上去，没办法。文档地址：http://download.youkuaiyun.com/download/qq_29133371/9998064，为什么现在没有0分值了？]]></description><category></category></item><item><title><![CDATA[深度学习 检测模型对比]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/78219517</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/78219517</guid><author>qq_29133371</author><pubDate>Thu, 12 Oct 2017 20:40:49 +0800</pubDate><description><![CDATA[基于region proposal方法
R-CNN是针对区域提取特征的目标检测模型
检测流程：通过selective search的方式从图片中提取可能的目标的候选窗口，将窗口warp到同一个尺寸，通过卷积网络从warp之后的候选窗口提取特征，将特征送给分类器进行分类，最后再加上bounding
 box regression等操作得到更准确的目标位置。总结起来就是先训练SVM分类器，后进行]]></description><category></category></item><item><title><![CDATA[深度学习 优化算法]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/78219426</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/78219426</guid><author>qq_29133371</author><pubDate>Thu, 12 Oct 2017 20:34:08 +0800</pubDate><description><![CDATA[不支持复制粘贴公式，很无奈。]]></description><category></category></item><item><title><![CDATA[yolo2]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/77622332</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/77622332</guid><author>qq_29133371</author><pubDate>Sun, 27 Aug 2017 19:18:19 +0800</pubDate><description><![CDATA[出处：https://zhuanlan.zhihu.com/p/25167153分析的比较细致，直接看原文，图不完整


本文是对 YOLO9000: Better, Faster, Stronger （项目主页）
 的翻译。加了个人理解和配图。内容参考了 YOLOv2
 论文笔记 - Jesse_Mx 。水平有限，错误之处欢迎指正。

1. 概述

YOLO2主要有两个大方面的]]></description><category></category></item><item><title><![CDATA[deformable convolutional networks]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/73180055</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/73180055</guid><author>qq_29133371</author><pubDate>Tue, 13 Jun 2017 15:05:24 +0800</pubDate><description><![CDATA[转自：点击打开链接

上一篇我们介绍了：深度学习方法（十二）：卷积神经网络结构变化——Spatial Transformer Networks，STN创造性地在CNN结构中装入了一个可学习的仿射变换，目的是增加CNN的旋转、平移、缩放、剪裁性。为什么要做这个很奇怪的结构呢？原因还是因为CNN不够鲁棒，比如把一张图片颠倒一下，可能就不认识了（这里mark一下，提高CNN的泛化能力，值得继续花很大]]></description><category></category></item><item><title><![CDATA[谈谈深度学习中的 Batch_Size]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/72878379</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/72878379</guid><author>qq_29133371</author><pubDate>Tue, 06 Jun 2017 14:57:53 +0800</pubDate><description><![CDATA[Batch_Size（批尺寸）是机器学习中一个重要参数，涉及诸多矛盾，下面逐一展开。

首先，为什么需要有 Batch_Size 这个参数？

Batch 的选择，首先决定的是下降的方向。如果数据集比较小，完全可以采用全数据集 （ Full Batch Learning ）的形式，这样做至少有 2 个好处：其一，由全数据集确定的方向能够更好地代表样本总体，从而更准确地朝向极值所在的方向。其]]></description><category></category></item><item><title><![CDATA[关于图像卷积与caffe中卷积实现]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/68936169</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/68936169</guid><author>qq_29133371</author><pubDate>Fri, 31 Mar 2017 21:55:31 +0800</pubDate><description><![CDATA[图像卷积及Caffe中的卷积实现


　　原创内容，转载请注明出处。 
　　本文简单介绍了图像卷积相关的知识以及Caffe中的卷积实现方法，写作过程中参考了很多很赞的资料，有兴趣的读者可以从【参考资料】查看。 
　　博文中的错误和不足之处还望各位读者指正。


什么是卷积？

　　专业不是信工方面，也没学过信号与系统这门课。所以我也就不给出很专业的卷积定义和公式表达，引用一个例]]></description><category></category></item><item><title><![CDATA[feature map计算方法与faster-rcnn中roi映射到feature map的位置计算方法]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/53172994</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/53172994</guid><author>qq_29133371</author><pubDate>Mon, 13 Mar 2017 09:45:31 +0800</pubDate><description><![CDATA[feature map计算方法：

在CNN网络中roi从原图映射到feature map中的计算方法
INPUT为32*32，filter的大小即kernel size为5*5，stride = 1，pading=0,卷积后得到的feature maps边长的计算公式是：
output_h =（originalSize_h+padding*2-kernelSize_h）/stride]]></description><category></category></item><item><title><![CDATA[Speed/accuracy trade-offs for modern convolutional object detectors]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/56665535</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/56665535</guid><author>qq_29133371</author><pubDate>Thu, 23 Feb 2017 09:40:24 +0800</pubDate><description><![CDATA[Speed/accuracytrade-offs for modern convolutional object detectors
 
1：Accurancy VS time



从上图可以看出SSD，R-FCN在速度上要远远超过Faster R-CNN，但是在精度上Faster R-CNN领先，R-FCN紧随其后。但是Faster R-CNN可以通过设置region propos]]></description><category></category></item><item><title><![CDATA[自制作数据上的pva faster rcnn 训练]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/55101907</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/55101907</guid><author>qq_29133371</author><pubDate>Tue, 14 Feb 2017 17:05:35 +0800</pubDate><description><![CDATA[一：数据集制作，参考我的上一篇文章http://blog.youkuaiyun.com/qq_29133371/article/details/54408165
数据集制作完成后将这三个文件夹复制至一个文件夹（命名为VOC2007）当中，再移动至$pva-faster-rcnn/data/VOCdevkit2007中，替换原来的VOC2007

二：训练阶段


类别设置：（有几类设置几类，我的这]]></description><category></category></item><item><title><![CDATA[制作VOC类型数据集，生成txt，生成lmdb]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/54408165</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/54408165</guid><author>qq_29133371</author><pubDate>Mon, 13 Feb 2017 19:36:12 +0800</pubDate><description><![CDATA[前言：数据样式参照PASCALVOC
一：搜集图片，或者视频数据等，利用标注工具，形成图片信息以及注释信息。
标注工具，自己编写的，可以拿去使用：


二：通过xml文件以及图片信息形成ImageSets/Main/trainval.txt，test.txt，val.txt，trainval.txt
文件地址：链接：http://pan.baidu.com/s/1cxNnrg 密码：j]]></description><category></category></item><item><title><![CDATA[Beyond Skip Connections: Top-Down Modulation for Object Detection阅读笔记]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/54962575</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/54962575</guid><author>qq_29133371</author><pubDate>Fri, 10 Feb 2017 10:48:57 +0800</pubDate><description><![CDATA[Beyond Skip Connections: Top-Down Modulation for Object Detection





   此图是整个文章的框架图。
1：Top-Down Modulation (TDM)


      TDM模块由两部分组成，T模块与L模块（侧面模块），下面详细介绍下这个模块。


 1.1 L模块（lateral module]]></description><category></category></item><item><title><![CDATA[数据增强方法]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/54927266</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/54927266</guid><author>qq_29133371</author><pubDate>Wed, 08 Feb 2017 15:18:13 +0800</pubDate><description><![CDATA[# -*- coding:utf-8 -*-
"""数据增强
   1. 翻转变换 flip
   2. 随机修剪 random crop
   3. 色彩抖动 color jittering
   4. 平移变换 shift
   5. 尺度变换 scale
   6. 对比度变换 contrast
   7. 噪声扰动 noise
   8. 旋转变换/反射变换 Rotation/reflec]]></description><category></category></item><item><title><![CDATA[L0,L1,L2正则化浅析]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/54894415</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/54894415</guid><author>qq_29133371</author><pubDate>Mon, 06 Feb 2017 16:39:42 +0800</pubDate><description><![CDATA[机器学习中的范数规则化之（一）L0、L1与L2范数

zouxy09@qq.com

http://blog.youkuaiyun.com/zouxy09

 

       今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。]]></description><category></category></item><item><title><![CDATA[caffe-windows下编译]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/54882300</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/54882300</guid><author>qq_29133371</author><pubDate>Sun, 05 Feb 2017 18:14:50 +0800</pubDate><description><![CDATA[1：官网下载caffe-windows版本
https://github.com/BVLC/caffe/tree/windows

2：重命名caffe-windows为caffe
3：复制caffe/windows/CommonSettings.props.example到同级目录下的CommonSettings.props（新建），并修改内容,


4：加入NugetPackag]]></description><category></category></item><item><title><![CDATA[机器学习部分概念]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/54880114</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/54880114</guid><author>qq_29133371</author><pubDate>Sun, 05 Feb 2017 12:50:12 +0800</pubDate><description><![CDATA[1：CRF（条件随机场），MEMM（最大熵模型），HMM（隐马尔科夫模型）区别
区别：https://www.douban.com/note/157630293/

HMM：http://www.cnblogs.com/skyme/p/4651331.html

CRF：http://blog.sina.com.cn/s/blog_618985870101hvuf.html
MEMM：]]></description><category></category></item><item><title><![CDATA[机器学习十大经典算法整理]]></title><link>https://blog.youkuaiyun.com/qq_29133371/article/details/54863424</link><guid>https://blog.youkuaiyun.com/qq_29133371/article/details/54863424</guid><author>qq_29133371</author><pubDate>Sat, 04 Feb 2017 16:22:29 +0800</pubDate><description><![CDATA[1、C4.5

C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.  C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：

     1)用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；

    2)在树构造过程中进行剪枝；

    3)能够完成对连续属性的离散化处理；

    4)能够对不完整]]></description><category></category></item></channel></rss>