<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[thystar的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/thystar</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; thystar]]></copyright><item><title><![CDATA[win10下tensorflow安装中的问题小结]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/57324809</link><guid>https://blog.youkuaiyun.com/thystar/article/details/57324809</guid><author>thystar</author><pubDate>Sun, 26 Feb 2017 02:32:11 +0800</pubDate><description><![CDATA[终于安装好了tensorflow，这里简要记录一下安装中遇到的问题，安装过程csdn中已经有人详细的描述了，请参考 
http://blog.youkuaiyun.com/u010099080/article/details/53418159 
非常清楚，一般来说，照着博客做就ok了，但是这个世界上总有想我一样点背的。 
1. 关于python和anaconda的下载版本：python 需要使用3.5的版本，a]]></description><category></category></item><item><title><![CDATA[七月算法深度学习笔记7--RNN]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/54141192</link><guid>https://blog.youkuaiyun.com/thystar/article/details/54141192</guid><author>thystar</author><pubDate>Fri, 06 Jan 2017 21:33:19 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法五月深度学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网： 
http://www.julyedu.com/ RNN：利用神经网络处理序列问题状态和模型之前，我们处理的模型叫做IID数据；网络用sample A 做一次forward，无论是分类还是回归，接下来用B做一次forward，A和B没有关系。 
这类网络学习到的是一]]></description><category></category></item><item><title><![CDATA[七月算法机器学习笔记6 -- 工作流程与模型优化]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/53227727</link><guid>https://blog.youkuaiyun.com/thystar/article/details/53227727</guid><author>thystar</author><pubDate>Sat, 19 Nov 2016 14:17:21 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法四月机器学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：http://www.julyedu.com/特征工程总结模型选择
没有那种模型是万能的，在特定情况下选择适合的模型 
 
对这幅图做如下解释 
从start开始，先看数据的训练样本 
在数据样本比较小的情况下，需要添加更多样本或放弃机器学习，用人工规则处理。 
当样]]></description><category></category></item><item><title><![CDATA[七月算法机器学习笔记5 -- 特征工程]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/53138606</link><guid>https://blog.youkuaiyun.com/thystar/article/details/53138606</guid><author>thystar</author><pubDate>Sat, 12 Nov 2016 13:16:20 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法四月机器学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：http://www.julyedu.com/特征工程特征 => 数据中抽取出来的对结果预测有用的信息 
 特征工程是使用专业背景知识和技巧处理数据,使得特征能在机器学习算法上发挥更好的作用的过程。 
 数据与特征处理 
 
 
特征处理中不同类型的的特征的处理
数值]]></description><category></category></item><item><title><![CDATA[树莓派使用SPI与一片flask通信]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/53037411</link><guid>https://blog.youkuaiyun.com/thystar/article/details/53037411</guid><author>thystar</author><pubDate>Fri, 04 Nov 2016 18:17:22 +0800</pubDate><description><![CDATA[首先，需要一块spi的flask芯片，我这里使用M25P80;按照引脚顺序连接到树莓派，在测试事前，确保你的spi是开启的，其他就不多说了。开始干活： 
python用于spi的包为spidev, 我使用的B+版本的树莓派是不用另行下载这个包的。简要介绍下里面的变量和函数： 
具体参考官方文档，我会在下载中上传一份，大家可以在我的下载页面中下载. 
属性 
bits_per_word : 每个单词字]]></description><category></category></item><item><title><![CDATA[树莓派与i2c设备的通信]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/53021992</link><guid>https://blog.youkuaiyun.com/thystar/article/details/53021992</guid><author>thystar</author><pubDate>Thu, 03 Nov 2016 16:42:27 +0800</pubDate><description><![CDATA[最近搞树莓派，这里对学习过程中遇到的问题加以记录，感谢网上各位大神们的贡献：

首先，需要开启I2C，这里，我使用的是树莓派B+，开启方法比较简单，参考：http://www.embed-net.com/thread-140-1-1.html
开启后，安装一个用于测试i2c设备的工具，i2c tools， 
安装命令：
sudo apt-get install i2c-tools
将i]]></description><category></category></item><item><title><![CDATA[七月算法机器学习笔记2--机器学习中的数学之矩阵分析与应用]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51285524</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51285524</guid><author>thystar</author><pubDate>Sat, 29 Oct 2016 14:51:08 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法四月机器学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：
http://www.julyedu.com/ 


矩阵分析与应用
主要介绍的内容有：如图




首先，来看两个示例：]]></description><category></category></item><item><title><![CDATA[VNC远程连接树莓派报错问题解决-- “由于目标计算机积极拒绝，无法连接”]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/52872543</link><guid>https://blog.youkuaiyun.com/thystar/article/details/52872543</guid><author>thystar</author><pubDate>Thu, 20 Oct 2016 15:07:38 +0800</pubDate><description><![CDATA[Problem: “由于目标计算机积极拒绝，无法连接”
第一次搞树莓派，因为树莓派不能直接连接显示器，所以使用远程连接，这里，我使用网线对连的方式，笔记本和树莓派用一根网线连接，具体参考：
http://shumeipai.nxez.com/2013/10/15/raspberry-pi-and-a-network-cable-directly-connected-laptop.html]]></description><category></category></item><item><title><![CDATA[caffe学习笔记13(补充)--关于ContrastiveLossLayer层]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51943686</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51943686</guid><author>thystar</author><pubDate>Mon, 18 Jul 2016 19:11:35 +0800</pubDate><description><![CDATA[之前写了一系列caffe官网中关于caffe python使用例子的翻译。在最后一个例子：http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/siamese/mnist_siamese.ipynb
中，将mnist降维到2维并将其可视化。我当时按例子跑了下代码并且大致翻译了下：http://blog.csdn.ne]]></description><category></category></item><item><title><![CDATA[Spring杂记之--Spring配置文件]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51913701</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51913701</guid><author>thystar</author><pubDate>Sat, 16 Jul 2016 11:50:34 +0800</pubDate><description><![CDATA[Spring配置文件格式如下

<beans xmlns="http://www.springframework.org/schema/beans"
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="http://www.springframework.org/schema/bean]]></description><category></category></item><item><title><![CDATA[Spring杂记]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51523277</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51523277</guid><author>thystar</author><pubDate>Thu, 14 Jul 2016 22:20:17 +0800</pubDate><description><![CDATA[首先介绍下spring的核心模块：
如图：]]></description><category></category></item><item><title><![CDATA[caffe学习笔记--写一个运行caffe.cpp的makefile]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51886536</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51886536</guid><author>thystar</author><pubDate>Tue, 12 Jul 2016 11:07:10 +0800</pubDate><description><![CDATA[之前因为有caffe的项目要放到服务器上面,但是其实不需要在服务器上面重新安装caffe，所以写了个makefile. 这里改写了个简单的，比较容易读的，只运行caffe.cpp，如果由其他的，可以按照makefile的规则添加就好。
首先，还是要说一下关于caffe的依赖，参考之前的两篇博客：http://blog.youkuaiyun.com/thystar/article/details/511790]]></description><category></category></item><item><title><![CDATA[七月算法机器学习笔记4--线性回归与逻辑回归]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51473564</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51473564</guid><author>thystar</author><pubDate>Sat, 18 Jun 2016 10:21:10 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法四月机器学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：
http://www.julyedu.com/ 
  

1 线性回归
概念：一般做连续值变量的预测，如股票价格走势等

对于预测阶段

举例来说：
房子的面积与价格的关系如下表所示：


可以得到如下图：


可以近似画出右边的直]]></description><category></category></item><item><title><![CDATA[七月算法深度学习笔记6--CNN推展案例:图像检测、NeuralStyle]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51626349</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51626349</guid><author>thystar</author><pubDate>Fri, 10 Jun 2016 17:24:32 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法五月深度学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：
http://www.julyedu.com/ 


图像相关任务


1. 物体的识别和定位


对于一张给定的图片，判定图片中的物体属于那个类别


对于输入图片，输出物体所在的位置。


关于定位问题的处理方式：
1.1 看]]></description><category></category></item><item><title><![CDATA[七月算法深度学习笔记5--CNN训练注意事项与框架使用]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51619771</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51619771</guid><author>thystar</author><pubDate>Thu, 09 Jun 2016 16:10:13 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法五月深度学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：
http://www.julyedu.com/ 
 
1. 神经网络的训练
1.1 Mini-batch SGD
不断循环:
1  采样一个batch数据(比如32张,可以做镜像对称)
2  前向计算得到损失loss
3  反向传播计算梯度(一个]]></description><category></category></item><item><title><![CDATA[七月算法深度学习笔记4 -- CNN与常用框架]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51582983</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51582983</guid><author>thystar</author><pubDate>Sat, 04 Jun 2016 14:54:33 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法五月深度班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：
http://www.julyedu.com/ 
神经网络的结构

神经网络包含输入层，输出层，及中间的隐层
神经网络在做说明事情呢？
从逻辑回归到神经元--感知机：




X1,X2为输入，z为一个线性的输出，当z0函数趋近1.于是，我的得到]]></description><category></category></item><item><title><![CDATA[CentOS6.5虚拟机安装Caffe大致记录]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51567447</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51567447</guid><author>thystar</author><pubDate>Thu, 02 Jun 2016 16:19:39 +0800</pubDate><description><![CDATA[话说CentOS装caffe也真心是个坑，装了两天，python因为应用中不用，谢天谢地，这里说下安装过程，不过，不同机器可能遇到的问题不一样。这里参考了一些博客：http://my.oschina.net/speedinghzl/blog/464142?fromerr=PMKemZsc
幸亏opencv按照这个上面的装的，不然不知道又有多少坑，还有http://caffe.berkeleyvi]]></description><category></category></item><item><title><![CDATA[七月算法机器学习笔记3--凸优化]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51469469</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51469469</guid><author>thystar</author><pubDate>Sat, 21 May 2016 17:26:31 +0800</pubDate><description><![CDATA[这套笔记是跟着七月算法四月机器学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：
http://www.julyedu.com/ 
1. 无约束优化问题
1.1 举例

首先看一个例子，

对于这个方程组，由于b=[0 1 1]' 不在系数组成的列空间内，即



因此，这个方程没有解。但是，是否可以找到一个近似解。即
]]></description><category></category></item><item><title><![CDATA[caffe学习笔记10.1--Fine-tuning a Pretrained Network for Style Recognition(new)]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51258613</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51258613</guid><author>thystar</author><pubDate>Thu, 28 Apr 2016 16:44:30 +0800</pubDate><description><![CDATA[在之前的文章里，写过一个关于微调的博客，但是今天上去发现这部分已经更新了http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/02-fine-tuning.ipynb，因此补一篇最新的，关于微调，前面的文章由讲，参考http://blog.youkuaiyun.com/thystar/article/details/5067553]]></description><category></category></item><item><title><![CDATA[caffe学习笔记3.3--Loss]]></title><link>https://blog.youkuaiyun.com/thystar/article/details/51248272</link><guid>https://blog.youkuaiyun.com/thystar/article/details/51248272</guid><author>thystar</author><pubDate>Tue, 26 Apr 2016 16:23:33 +0800</pubDate><description><![CDATA[与大多数的机器学习算法一样，caffe的学习也是由loss function驱动的（或者叫error,cost,objective function）。损失函数的目标是，将参数（就是网络中的权值和偏置）映射到一个能够度量参数“不好程度”的标量中，因此，其目标就是让这个标量最小化（其实就是调整参数，是的损失函数的值最小）。
在caffe中，通过前向传播计算损失，每一层由一系列的输入（bottom）]]></description><category></category></item></channel></rss>