- 博客(22)
- 收藏
- 关注
RSS订阅转载 tensorflow TFRecord介绍
http://warmspringwinds.github.io/tensorflow/tf-slim/2016/12/21/tfrecords-guide/
2018-04-25 14:18:53
318
原创 finding tiny face心得笔记
花了几天时间专门对这篇论文做了研究，感觉很有收获。这篇文章也真的是干货满满呀。作者探索了寻找小脸的三个方面：1. 尺度不变性的问题；2. 图像分辨率的问题；3. 基于周围内容的推断问题。基于此，作者做了三个方面的尝试：1.对于不同的scale，训练不同的detector。 detector使用了multi-task fashion，即使用同一个网络的不同层的特征。2. 作者用实验说明了小脸周围的内...
2018-04-07 00:03:37
2482
1
python学习笔记
list可以拼接：classmates.append('Adam')>>> classmates['Michael', 'Bob', 'Tracy', 'Adam']也可以在指定位置插入元素：classmates.insert(1, 'Jack')>>> classmates['Michael', 'Jack', 'Bob', 'Tracy', 'Ada...
2018-02-10 10:24:40
199
转载 numpy与pandas的数据结构互转：ndarray、series、dataframe
http://blog.youkuaiyun.com/flyfrommath/article/details/69388675
2017-12-12 16:55:23
762
原创 tensorflow命令集合2
sess = tf.InteractiveSession() ## without specifying the context 'sess'.sess.close()with g.control_dependencies([a,b,c]): d = .... e = .....Placeholders:tf.placeholder(dtype, sh
2017-12-11 22:52:18
240
原创 tensorflow 命令集合
tf.set_random_seed(seed)tf.add(a,b,verify_shape = true, name = 'a')constant are stored in the graphic definition.with tf.Session() as sess: print sess.graph.as_graph_def() a = tf
2017-12-11 20:44:31
286
原创 Bagging and bootstrap
在blending的技术中，我们想要产生尽可能不一样的g，那么如何产生呢？一个方法是通过对数据重新采样得到一个‘新’的数据集，然后再用这些不同的数据集进行训练。由此产生重采样的方法： bootstrap（bagging）：即从原来的数据集中有放回的抽样（sampling with replacement），然后再使用某种方法做分类，最后做投票。这个方法适用于那些对数据随机性敏感的分类器，会取得
2017-04-01 10:31:07
295
原创 英语修改润色句子更正1
different from -- in contranst to endow the model more flexibility -- improve flexibilitythe existence of the solution to the proposed modelmotivated by -- following XX.initialization of PSF
2017-01-29 15:23:23
1190
原创 Soft Margin SVM可以解释成正则化的model
首先，复习一下sotf margin SVM：其中的kesi n是记录第n个样本是否违反支持向量的假设以及违反了多少假设。从另外一个角度上看，由约束条件，我们可以等价的将kesi n写成以下的形式：那么，这样的话 soft margin SVM就可以表示成下边的式子：那么，第二项实际上就可以表示成error的形式，也就是data fitting term，而
2016-12-30 12:19:41
563
原创 sampling bias
在做cross validation的时候，应该注意最后的test data与你做的验证集是否是类似的分布的。如果不是类似的分布，则结果就会有问题。
2016-12-27 09:11:38
662
原创 计算神经学笔记-population coding and bayesian estimation
在我们的身体里，通常是有很多神经元参与决策的。那么这么多的神经元的输出信息如何给他们解码呢？首先，介绍一下蟋蟀（cricket）的cercal cell。cricket对于空气的流动非常敏感。这些信息能够帮助他们躲避移动的捕食者（predator）或者飞行的苍蝇拍（swatter）。 他们可以依靠一个像天线一样的结构看到这些移动的东西，英文叫cerci，这个东西长在在腹部的背后。 这个结构将风
2016-12-23 10:49:19
2238
原创 计算神经学学习笔记-neural decoding and signal detection theory
通过观察神经元的反馈信息，如何知道这个刺激信息表示的是什么动作呢？有一个简单的例子。假设你走在一个公园内，听到“沙沙沙“的响声。你如何判断这个声音是微风吹过草丛的声音还是老虎在向你靠近呢？怎么用数学表示这一问题呢？假设我们收集了这两种声音的样本，并把他们在一个坐标中表示出来，如下图所示。蓝色代表风的声音信息，红色代表老虎的信息。可以看到他们之间有一些重合。那么如何根据这两条曲线
2016-12-22 10:57:00
1105
原创 kernel trick的原始想法
对偶SVM中依然包含了对升维后的向量做内积的操作。而对原来的数据集做升维就要消耗大量的时间。能不能采用一种技巧来节约存储空间和减小运算复杂度呢？以二次非线性变换为例，如下图：两个做内积就是以下的式子：也就是说，可以先对原始的数据做内积，再进行一些很简单的代数运算得到和之前一样的结果。受此启发，就可以定义一个kernel函数，这个函数的作用就是将原来的数据集映射到一个
2016-12-09 17:07:43
2422
原创 对偶SVM
由于SVM是解决线性可分的数据集，对于非线性可分的数据集，就需要进行非线性变换将非线性可分的数据集变成线性可分的数据集。一个常用的方法是使用kernel trick中的多项式核函数。但是直接对数据集做升维处理的时候一个很大的问题就是维数增加的很快。如何将这么庞大的维数变为较小的样本数来做处理是一个比较重要的问题。对偶SVM就是用来解决这个问题的。它将非常高的维度模型转换为一个与样本量有关的模型。
2016-12-09 15:47:49
365
原创 发生过拟合的可能的情形
两种情况下发生过拟合的情况的图：1。数据量小，过拟合发生的几率就高。2。噪声太大，过拟合发生的几率就高。3。噪声太大同时模型的VC维度太高，过拟合发生的几率就高。4。噪声较小但模型的VC维度太高，过拟合发生的几率就高。
2016-11-29 09:07:00
1179
原创 python学习笔记：类
brad = turtle.Turtle()使用这条命令时，是指在turtle这个文件里有一个类：Turtle。在调用这条命令时，其实是调用里边的 init 函数。init函数的作用是在内存中分配空间来创建具体的对象。client=rest.TwilioRestClient()使用这条命令时，是指在rest这个文件夹里有一个TwilioRestClient的类。在调用rest.Twil
2016-11-28 19:28:23
237
原创 一篇PCA的最彻底的解释的论文
看了很多篇PCA的东西，感觉说的都不是太到点子上。终于找到一篇PCA数学原理非常透彻的一篇论文，在这记录下。https://www.cs.princeton.edu/picasso/mats/PCA-Tutorial-Intuition_jp.pdf
2016-11-26 20:15:17
15446
4
原创 对付非线性可分的数据集的一种通用办法
假设这个数据集能够被一个非线性的面分开，这个面的表达形式为f（x,y,z)。那么，根据泰勒展开，可以得到f（x,y,z）的多项式表达。那么，就可以把其多项式表达作为一个新的面，将多项式的各个次数的分量组成一个新的向量，就成了线性可分的。这样相当于将数据集做了个变换，将非线性的数据集变换成线性的数据集。由此可以推出，在一定意义上来说，任何非线性的数据集通过某种变换后，都是线性可分的。
2016-11-26 09:53:00
1098
原创 blind deconvolution parameter tuning
image：lenna. PSF:fspecial('motion',9,16);alfa = 10^-6*10^(la1-1);belta = 5*10^-6*10^(la2-1); max isnr: (5,4) 43.9876 corresponding loss:2.2582
2016-11-13 14:43:31
406
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人