自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(7)
  • 收藏
  • 关注

原创 pybind11 cmake error

Could not find a package configuration file provided by "pybind11" with any of the following names:pybind11Config.cmakepybind11-config.cmakenot use pip to install pybindconda install pybind11

2022-05-26 15:11:27 2170 1

原创 2021-07-20

CMake Error at CMakeLists.txt:12 (find_package):By not providing “FindOpenCV.cmake” in CMAKE_MODULE_PATH this project hasasked CMake to find a package configuration file provided by “OpenCV”, butCMake did not find one.有些测试使用的opencv 不是opencv-python1,gi

2021-11-03 16:10:02 1535

原创 sudo apt update 域名无法解析

sudo vim /etc/resolv.conf添加下面三行nameserver 8.8.8.8nameserver 8.8.4.4nameserver 127.0.0.1sudo service network-manager restart

2021-06-25 23:51:21 1087

原创 NNDL读书笔记第六章RNN

循环神经网络RNN 具有短期记忆能力,参数的学习可以通过随时间反向传播算法来学习。随时间反向传播算法按照时间的逆序讲错误一步步地往前传递,当输入序列比较长,会有梯度的爆炸和消失的问题,即长程依赖问题,引入门控机制。网络增加记忆能力延时神经网络延时神经网络是在前馈网络中的非输出层都添加一个延时器,记录神经元的最近几次活性值.在第t个时刻:有外部输入的非线性自回归模型自回归模型,用一个变量yty_tyt​的历史信息来预测自己:其中K为超参数,w0…wK为可学习参数,ϵt\epsilon _tϵ

2020-09-12 11:15:35 347

原创 NNDL第五章笔记CNN

文章目录卷积神经网络卷 积一维卷积二维卷积互相关卷积的变种卷积的数学性质交换性导数(难点)5.2卷积神经网络使用卷积来代替全连接卷积层汇聚层卷积神经网络卷积神经网络:是一种具有局部连接,权重共享等特性的深度前馈神经网络。在用全连接前馈网络来处理图像时,会有以下两个问题:参数过多,容易出现过拟合现象。局部不变性特征:全连接前馈网络很难提取这些局部不变性,一般需要进行数据增强来提高性能。目前的卷积神经网络一般是由卷积层,汇聚层和全连接层交叉堆叠而成的前馈神经网络,卷积神经网络有三个结构上的特性:

2020-09-10 20:15:52 529

原创 NNDL第四章笔记

文章目录NNDL第四章笔记4.1神经元sigmoid型函数logistic函数:Tanh函数:Hard—logistic 函数和Hard—Tanh函数ReLU函数NNDL第四章笔记(随意写的,不可参考)人工神经网络(ANN):模拟神经元的数学模型神经网络最早是作为一种主要的连接主义模型。之后最流行的连接模型是分布并行处理,它有三个特性:信息表示是分布式的(非局部的)。知识单元之间的连接上。改变单元的强度来学习。早期的NN关注生物性,后期偏向特定的能力的模拟。尤其引入误差反向传播算法。4

2020-09-09 11:48:26 638

原创 NNDL读书笔记线性模型

文章目录读NNDL疑难点三第三章【线性模型】3.1多分类时,类别的不可判断区域的判定:3.3softmax参数学习中风险系数R(w)R(w)R(w)关于W的梯度以及推导:感知器:读NNDL疑难点三第三章【线性模型】3.1多分类时,类别的不可判断区域的判定:3.3softmax参数学习中风险系数R(w)R(w)R(w)关于W的梯度以及推导:∂R(w)∂W=−1N∑n=1Nx(n)(x(n)−y^(n))T\frac{\partial R(w)}{\partial W}=-\frac1N\sum_{

2020-09-08 12:32:41 198

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

提示
确定要删除当前文章?
取消 删除