qq_39056596的博客

系统环境：1、按照docker，官网有详细步骤，根据自己的系统选择相关教程就可。2、镜像拉取docker pull tensorflow/serving如果超时可以使用国内镜像。docker pull registry.docker-cn.com/tensorflow/serving出现如下类似画面则表示成功。3.克隆仓库，创建文件目录并克隆仓库mkdir -p /tmp/tfservingcd /tmp/tfservinggit clone --depth=

对于目标检测往往第一步就是生成可能的region proposal，但是region proposal是如何获取的？下面介绍一下最常见的方法Selective Search方法。首先通过简单的区域划分算法，将图片划分成很多小区域，再通过相似度和区域大小（小的区域先聚合，这样是防止大的区域不断的聚合小区域，导致层次关系不完全）不断的聚合相邻小区域。那么如何进行合并聚合呢？即是：step0：生成区域集R。step1：计算区域集R里每个相邻区域的相似度S={s1,s2,…}。step2

什么是非极大值抑制？顾名思义就是搜索局部最大值，通常在目标检测中出现。如何使用非极大值抑制？非极大值抑制的流程如下： 实际上这是一个迭代的过程， ①选取了置信度最大的边框， ②计算①中选取的边框与其周围边框的重合面积（IOU）。 ③通过选定合适的阈值删除重合面积较大的周围边框。 ④从剩下的边框中选取置信度最大的边框，重复以上步骤，直到无剩下的边框。得到边框的置信度：...

经过数据探索与数据的预处理，得到了可以用于建模的数据。更加挖掘目标和数据的形式可以建立分类与预测、聚类分析、关联规则、时序模式和偏差检测等模式。常见的分类与预测算法：回归分析：回归分析是通过建立模型来演技变量之间相互关系的密切程度、结构状态及进行模型预测的一种有效工具。、聚类分析：聚类分析实在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。常见的聚类方法：关联规则：目的是在一个数据集中

什么是集成学习？集成学习归属于机器学习，他是一种「训练思路」，并不是某种具体的方法或者算法。集成学习的核心思路就是「人多力量大」，它并没有创造出新的算法，而是把已有的算法进行结合，从而得到更好的效果。集成学习会挑选一些简单的基础模型进行组装，组装这些基础模型的思路主要有 2种方法：1.bagging2.boostingBagging的核心思想是民主，所有基础模型都一致对待，每个基础模型手里都只有一票。然后使用民主投票的方式得到最终的结果。具体过程：从原始样本集中抽取训练.

逻辑回归（Logistic Regression）是一个非常经典的算法，虽然被称为回归，但是其实是分类模型。常被用于二分类问题。Logistic分布：如果一个随机变量

传统的分类学习中往往假设各个训练样本在各类别的数目上大致相等，但是在实际的分类问题中，这种假设往往是不成立的。当样本在不同类别上的数目相差很大时，叫做不平衡数据集，此时分类器的分类效果往往会变差。目前的研究主要从数据预处理、代价敏感思想、单类别学习和集成学习方面进行研究。数据预处理主要是通过增加少类样本或减少多类样本来达到数据的平衡，也就是过采样方法和欠采样方法。欠采样方法就是减少多数样本来达到数据间的相对平衡，包括有近邻清理、压缩最近邻、单边选择和Tomek links等方法。过采样方

数据预处理的简单定义：一种数据挖掘方法，本质就是为了将原始数据转换为可以理解的格式或者符合我们挖掘的格式。主要包括四个步骤：（1）数据清洗（2）数据集成（3）数据规约（4）数据变换数据清洗： 填写缺失的值，光滑噪声数据，识别或删除离群点，并解决不一致性来“清理数据”； 数据集成：使用多个数据库，数据立方体或文件； 数据归约： 用替代的，较小的数据表示形式替换元数据，得到信息内容的损失最小化，方法包括维规约，数量规约和数据压缩； 数据变换：将数据变换成使用挖掘的形式。...