qq_41133375的博客

神经网络原理讲解与过程梳理一、神经网络原理讲解与过程梳理1.数据输入层2.卷积计算层3.激励层1.什么是激活函数2.激活函数的用途？（或者说为什么我们需要激活函数）4.池化层5.全连接层卷积神经网络之训练算法卷积神经网络之优缺点卷积神经网络之典型CNN卷积神经网络之 fine-tuning卷积神经网络的常用框架总结一、神经网络原理讲解与过程梳理卷积神经网络是一种前馈型神经网络, 受生物自然视觉认知机制启发而来的. 现在, CNN 已经成为众多科学领域的研究热点之一, 特别是在模式分类领域, 由于该网络避

口罩数据集的划分、训练、测试，并实现摄像头口罩识别判断一、准备数据集二、导入Keras库，并划分数据集三、构建网络四、数据预处理五、使用数据增强六、使用摄像头读取人脸进行是否佩戴识别一、准备数据集下载地址大家还可以自己找数据集进行训练。二、导入Keras库，并划分数据集import keraskeras.__version__import os, shutil #复制文件# 原始目录所在的路径# 数据集未压缩original_dataset_dir0 = 'D:\\Workspace

笑脸数据集（GENKI4K）训练一、人脸图像特征提取的方法1.HOG特征2.Dlib3.卷积神经网络二、笑脸数据集（GENKI4K）训练1.准备数据集2.导入Keras库，并划分数据集3.构建网络4.数据预处理5.训练模型6.使用数据增强三、使用摄像头读取人脸进行笑脸识别四、基于Dlib的笑脸识别一、人脸图像特征提取的方法1.HOG特征方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计

Windows10下VS2019+Dlib19.20配置一、CMake与Dlib下载1.CMake下载2.Dlib下载二、使用CMake制作Dlib.lib三、用VS重新生成dlib_building解决方案，在debug文件夹中得到dlib.lib四、新建项目配置属性1.新建一个VS项目2.VS工程属性配置五、测试一、CMake与Dlib下载1.CMake下载官方下载：下载地址点击即可下载，可能比较慢。本人选择的是cmake-3.18.0-rc1-win64-x64.zip。2.Dlib下载

windows10 显卡GTX1050安装tensorflow-gpu教程以及Tensorflow不同版本要求与CUDA及CUDNN版本对应关系一、安装准备与对应信息二、安装anaconda三、安装cuda9.0四、安装cuDNN五、安装tensorflow-gpu六、在anaconda下载Jupyter-notebook一、安装准备与对应信息本人电脑是GTX1050显卡，所选择的版本CUDA9.0+CUDNN7.6+tensorflow-gpu1.10官网下载太慢，打包在了百度网盘。（未分享中，着急

windows10（64位）Anaconda3+Python3.6搭建Tensorflow（cpu版本）及keras（GPU版本待写）一、打开Anaconda Prompt二、安装TensorFlow的纯CPU版本，输入以下命令：（激活下）三、查看目前安装的环境，保证我们的tensorflow的环境已经被成功添加：四、验证是否安装成功五、安装Keras一、打开Anaconda Promptconda --version //检查Anaconda是否成功安装（如果成功会显示版本号）conda upd

windows10（64位）Anaconda3+Python3.6搭建Tensorflow（cpu版本）及keras

机器学习之对鸢尾花数据集和月亮数据集，分别采用线性LDA、k-means和SVM算法进行二分类可视化分析一、采用线性LDA算法进行二分类可视化分析1、鸢尾花数据集2、月亮数据集二、采用k-means算法进行二分类可视化分析1、鸢尾花数据集2、月亮数据集三、采用SVM算法进行二分类可视化分析1、鸢尾花数据集2、月亮数据集四、SVM算法优缺点一、采用线性LDA算法进行二分类可视化分析1、鸢尾花数据集import numpy as npimport matplotlib.pyplot as pltfro

机器学习之Fisher判别分析一、算法描述1、W的确定2、阈值的确定3、Fisher线性判别的决策规则4、群内离散度”（样本类内离散矩阵）、“群间离散度”（总类内离散矩阵）二、Python代码实现一、算法描述Fisher线性判别分析的基本思想：选择一个投影方向（线性变换，线性组合），将高维问题降低到一维问题来解决，同时变换后的一维数据满足每一类内部的样本尽可能聚集在一起，不同类的样本相隔尽可能...

机器学习之Iris数据集的 Fisher线性分类，并学习数据可视化技术 一、使用Jupyter完成Iris数据集的Fisher线性分类二、数据可视化1.项目简介2.数据概览2.1读取数据2.2查看前五行与后五行数据2.3查看数据整体信息2.4描述性统计3、特征工程3.1数据清洗3.2数据可视化3.2.1 relplot3.2.2 jointplot3.2.3 distplot3.2.4 boxp...

机器学习之“查准率”、“查全率”、“F1-Score”、“ROC”、“混淆矩阵”的定义一、查准率（precision）、查全率（precision）、F1二、ROC（Receiver Operating Characteristic，受试者工作特征）三、混淆矩阵1、什么是混淆矩阵2、怎么计算混淆矩阵一、查准率（precision）、查全率（precision）、F1对于二分类问题，可根据样例根...

机器学习之sklearn使用下载MNIST数据集进行分类识别一、MNIST数据集1.MNIST数据集简介2.获取MNIST数据集二、训练一个二分类器1、随机梯度下降（SGD）分类器2、分类器的性能考核1.使用交叉验证测量精度2、混淆矩阵3、精度和召回率4、精度/召回率权衡5、ROC曲线6、训练一个随机森林分类器，并计算ROC和ROC AUC分数三、多类别分类器1、错误分析四、多标签分类五、多输出分...

计算几何、凸集、平面、超平面、凸函数、凸规划讲解一、计算几何1、计算几何简介2、计算几何是研究什么的?3、相关问题描述二、凸集1、凸集的定义2、直线是凸集吗？3、直线是仿射集吗？三、三维空间的平面以及跟高维度的超平面1、三维空间中的一个平面，如何表达？2、超平面定义及表达四、凸函数1、凸函数的定义2、Hessen矩阵3、如何判别一个函数是凸函数4、f(x)=x^3 是凸函数吗？五、凸规划1、什么是...

拉格朗日乘子法求极值和KKT条件讲解及Python代码实现一、三类问题描述1.无约束最优化问题2.有等式约束的非线性3.有等式和不等式约束的非线性问题二、拉格朗日乘子法三、KKT条件四、例题讲解1.等式约束条件2.不等式约束条件五、Python代码实现一、三类问题描述1.无约束最优化问题寻找到一个合适的值x，使得f(x)最小：minf(x)这种没有任何约束的最优化问题是最简单的，解法一般有...

单纯形法讲解及Python代码实现一、了解单纯形法1.单纯形法的原理2.方法步骤二、例题讲解三、使用Python代码求单纯形法求解线性规划最优解和最大值一、了解单纯形法1.单纯形法的原理单纯形法是一种迭代算法，其基本原理及主要步骤是：首先设法找到一个（初始）基可行解，然后再根据最优性理论判断这个基可行解是否最优解。若是最优解，则输出结果，计算停止；若不是最优解，则设法由当前的基可行内解产生一...

牛顿法与梯度下降法的讲解与Python代码实现牛顿法基本原理牛顿法基本原理高斯-牛顿法是另一种经常用于求解非线性最小二乘的迭代法（一定程度上可视为标准非线性最小二乘求解方法）。牛顿法也是机器学习中用的比较多的一种优化算法。牛顿法的基本思想是利用迭代点处的一阶导数(梯度)和二阶导数(Hessen矩阵)对目标函数进行二次函数近似，然后把二次模型的极小点作为新的迭代点，并不断重复这一过程，直至求得...

@[TOC](机器学习之支持向量机(Support Vector Machine))一、关于SVM的理解支撑向量机（Support Vector Machin，SVM）可以解决分类问题，也可以用于解决回归问题。这里仅对分类问题进行一些粗浅的讨论。在分类问题中，分类算法会将数据空间划分为一个或多个边策边界（高维时称为超平面），边策边界的一边是一类，另一边是另一类。但是，不同的分类算法会对相同的数据生成不同的决策边界。那么，哪个决策边界才是最好的呢？这个问题称为不适定问题对于SVM来说，它的目的就是尽可能