SCS199411的博客

在使用keras的plot_model时出现以下错误OSError: pydot failed to call GraphViz.Please install GraphViz (https://www.graphviz.org/) and ensure that its executables are in the $PATH.解决办法sudo apt-get install graphv...

第二周 深度卷积网络：实例探究（Deep convolutional models: case studies）2.2 经典网络（Classic networks）这节课，我们来学习几个经典的神经网络结构，分别是LeNet-5、AlexNet和VGGNet，开始吧。LeNet-5的网络结构2.3 残差网络（Residual Networks (ResNets)）非常非常深的神经网络是很...

Visual Tracking with Fully Convolutional Networks方法不同卷积层的特征描述物体的角度不同，高层的特征捕获的是语义信息，更像是一个类别检测器，低层的特征能把目标与相似的物体分开。另外，作者进行了特征图选择，将噪声及不相干的特组图去除。VGG16特征分析特征图是稀疏的且是局部的，可以用来做目标跟踪。许多特征图与目标不相干，或者说是噪声。不...

Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning视觉跟踪视觉跟踪是计算机视觉领域的一个最基本问题。因为运动模糊、遮挡、光照变化、背景杂乱等跟踪障碍的存在，使得找到目标的准确位置很困难。传统的跟踪方法基于检测的跟踪方法(MIL、TLD)基于相关滤波的跟踪方法(KCF)使用低水平的...

Visualizing and Understanding Convolutional NetworksCNN领域可视化理解的开山之作。这篇文献告诉我们CNN的每一层到底学习到了什么特征，然后作者通过可视化进行调整网络，提高了精度。网络结构与AlexNet类似通过反卷积实现可视化unpooling：利用switches表格记录每个最大值的位置，在该位置填回最大数值，其余位置填0。...

第二周：优化算法 (Optimization algorithms)2.1 Mini-batch 梯度下降（Mini-batch gradient descent）假设有500万个样本，batch_size=1000，也就是每次训练1000个样本，总共有5000个mini_batch。5000次迭代遍历一遍数据集中的所有样本，也是一个epoch。2.2 理解mini-batch梯度下降法（...

第二门课 改善深层神经网络：超参数调试、正则化以及优化1.1 训练，验证，测试集（Train / Dev / Test sets）应用深度学习是一个典型的迭代过程，需要多次循环往复，才能为应用程序找到一个称心的神经网络，因此循环该过程的效率是决定该项目进展速度的一个关键因素，而创造高质量的训练数据集，验证集和测试集也有助于提高循环效率。在机器学习发展的小数据量时代，常见做法是将所有数据三七分...

Unsupervised Deep Embedding for Clustering Analysis1.Introduction聚类在无监督机器学习中由这几个方面进行了研究：如何定义一个类？什么是正确的距离矩阵？如何对数据进行有效聚类？如何验证聚类结果？至今已有许多工作致力于距离函数与嵌入方法的研究，用于执行聚类的特征空间无监督学习的的研究工作还比较少。对于所有最简单的图像数据集，使用欧氏距...

Batch Normalization 学习笔记原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50866313作者：hjimce一、背景意义本篇博文主要讲解2015年深度学习领域，非常值得学习的一篇文献：《Batch Normalization: Accelerating Deep Network Training by  Re...

第三周 超参数调试、Batch正则化和程序框架（Hyperparameter tuning）3.1 调试处理（Tuning process）结果证实一些超参数比其它的更为重要，α\alphaα无疑是最重要的，接下来是我用橙色圈住的那些，然后是我用紫色圈住的那些，但这不是严格且快速的标准。在早一代的机器学习算法中，如果你有两个超参数，这里我会称之为超参1，超参2，常见的做法是在网格中取样点...