Touch_Dream的博客

原创 神经网络超参数影响

转载 机器学习模型性能度量

分类混淆矩阵1True Positive(真正, TP)：将正类预测为正类数.True Negative(真负 , TN)：将负类预测为负类数.False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error).

原创 深度学习在目标检测进展

基于深度学习的目标检测目前主要是基于卷积神经网络和候选区域region proposal。本文将从四个方面对其进行阐述。一、传统目标检测主线：区域选择->特征提取->分类器 1、区域选取 采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分

转载 玩转卷积

卷积核十大玩法1、AlexNet中国使用到了一些非常大的卷积核，比如11*11,5*5卷积核，之前人们的观念认为receptive filed感受野越大，看到的图片信息越多，因此获得的特征越好。但另外一个方面大的卷积核会导致计算量的暴增，不利于模型深度的增加，计算性能也会降低，于是Inception网络中，就利用了两个3*3来代替一个5*5卷积核,参数量上大大的降低了。 2、后来另外一些人开始思考

转载 tensorflow：ConfigProto&GPU

tf.ConfigProto一般用在创建session的时候。用来对session进行参数配置with tf.Session(config = tf.ConfigProto(...),...)#tf.ConfigProto()的参数log_device_placement=True : 是否打印设备分配日志allow_soft_placement=True ： 如果你指定的设备不存在，允许TF自

转载 机器学习面试

作者：牛客网链接：https://www.zhihu.com/question/23259302/answer/219153454来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。2018届校招面经精选1、菜鸟图像图形算法 内推 一面2、机器学习算法面经3、百度面试一面4、京东云算法工程师一面分享5、京东算法工程师一面面经

原创 ananconda安装tensorflow-gpu问题

在anaconda的navigator里面创建一个Python3.5环境，然后直接到安装包里面输入tensorflow检索，会出现tensorflow和tensorflow-gpu，前者是cpu版本，直接点击安装gpu版本的tensorflow，会弹出一个安装列表，包含cudann6.0以及cudatoolkit8.0。不过我安装之后使用的时候出现问题，主要报的错误是无法加载。尝试下面的错误修正：

转载 目标检测思考

作者：Old Xie链接：https://www.zhihu.com/question/34223049/answer/110071873来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。目前object detection的工作可以粗略的分为两类：1：使用region proposal的，目前是主流，比如RCNN、SPP-Net、Fast-RC

转载 Autoencoder

转载：http://blog.youkuaiyun.com/marsjhao/article/details/73480859一、什么是自编码器（Autoencoder）自动编码器是一种数据的压缩算法，其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。在大部分提到自动编码器的场合，压缩和解压缩的函数是通过神经网络实现的。1）自动编码器是数据相关的（data-specific

转载 AlexNet

论文地址：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf中文翻译：http://blog.youkuaiyun.com/liumaolincycle/article/details/504964991. 网络结构2012年，Hinton的学生Al

转载 VGGNet

论文地址：https://arxiv.org/abs/1409.1556VGGNet是牛津大学计算机视觉组（VisualGeometry Group）和GoogleDeepMind公司的研究员一起研发的的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet

转载 GoogleNet家族

一、GoogLeNet相关论文及下载地址[v1] Going Deeper withConvolutions, 6.67% test error，2014.9论文地址：http://arxiv.org/abs/1409.4842[v2] Batch Normalization:Accelerating Deep Network Training by Reducing Internal

转载 CVPR2017-目标检测相关

（1）Speed/accuracy trade-offs for modern convolutional object detectors其主要考虑三种检测器（Faster RCNN,R-FCN,SSD）作为元结构，三种CNN网络（VGG，Inception，ResNet）作为特征提取器，变化其他参数如图像分辨率、proposals数量等，研究目标检测系统准确率与速度的权衡关系。

转载 计算机视觉与深度学习公司

计算机视觉与深度学习公司深度学习是大数据下最热门的趋势之一。上一个十年是互联网的时代，下一个十年将是人工智能的时代。国内已经产生大量的人工智能公司，分布在不同的领域。2016年是人工智能的元年，2017年将迎来“人工智能+”的春天。未来几年也是人工智能在金融、医疗、教育等大数据行业以及感知交互领域全面渗透的时期，我们正迎来人工智能产业应用百花齐放的时代。安防、金融、医疗、汽

转载 最大似然函数和最大后验概率区别

极大似然估计和贝叶斯估计分别代表了频率派和贝叶斯派的观点。频率派认为，参数是客观存在的，只是未知而矣。因此，频率派最关心极大似然函数，只要参数求出来了，给定自变量X，Y也就固定了，极大似然估计如下所示:D表示训练数据集，是模型参数相反的，贝叶斯派认为参数也是随机的，和一般随机变量没有本质区别，正是因为参数不能固定，当给定一个输入x后，我们不能用一个确定的y表示输出结果，必须用一个概率的方式表达出来

转载 变分贝叶斯自编码器

http://blog.youkuaiyun.com/hjimce/article/details/57082788#comments

转载 变分自编码器VAE（上）

转载：http://blog.youkuaiyun.com/hjimce/article/details/56678413

转载 scikit-learn介绍

在机器学习和数据挖掘的应用中，scikit-learn是一个功能强大的python包。在数据量不是过大的情况下，可以解决大部分问题。学习使用scikit-learn的过程中，我自己也在补充着机器学习和数据挖掘的知识。这里根据自己学习sklearn的经验，我做一个总结的笔记。另外，我也想把这篇笔记一直更新下去。1 scikit-learn基础介绍1.1 估计器（Estimator）估计器

原创 Scikit-learn学习

numpy 库import numpy as np1、random用法：产生伪随机数 样例： np.random.seed(0) //产生以0为种子的伪随机数生成器 order_arr = np.random.permutation(100) //返回100个伪随机数，返回值是一个array2、mgrid用法：返回多维结构，常见的如2D图形，3D图形。对比np.me

原创 AlexNet

AlexNet的特点使用ReLU替换Sigmoid和tanh激活函数使用多GPU进行训练LRN，对输入的数据进行一个激活和抑制减少过拟合：数据增强（增加数据样本）、Dropout

转载 Python 解决 ：NameError: name 'reload' is not defined 问题

Python 解决 ：NameError: name 'reload' is not defined 问题解决：NameError: name 'reload' is not defined 问题对于 Python 2.X：import sysreload(sys)sys.setdefaultencoding("utf-8")1对于 Python 3.3：import

转载 如何应对训练的神经网络不工作？

I. 数据集问题1. 检查你的输入数据检查馈送到网络的输入数据是否正确。例如，我不止一次混淆了图像的宽度和高度。有时，我错误地令输入数据全部为零，或者一遍遍地使用同一批数据执行梯度下降。因此打印／显示若干批量的输入和目标输出，并确保它们正确。2. 尝试随机输入尝试传递随机数而不是真实数据，看看错误的产生方式是否相同。如果是，说明在

转载 目标跟踪算法概述

运动目标跟踪主流算法大致分类主要基于两种思路：a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。 一．运动目标检测对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测

转载 斯坦福—深度学习和计算机视觉

官网链接：CS231n: Convolutional Neural Networks for Visual RecognitionNotes：链接：http://cs231n.github.io/中文字幕视频 by 大数据文摘链接：http://study.163.com/course/courseMain.htm?courseId=1003223001

转载 Visual Tracking Papers and Researchers

Visual TrackersECO: Martin Danelljan, Goutam Bhat, Fahad Shahbaz Khan, Michael Felsberg. "ECO: Efficient Convolution Operators for Tracking." CVPR (2017). [paper] [project] [github]CFNet: Jack V

转载 如何调试神经网络参数

转载：http://cvmart.net/community/article/detail/36神经网络的调试基本上难于绝大多数的程序，因为大部分的神经网络的错误不会以类型错误或运行时错误显现，他们只是使得网络难以收敛。如果你是一个新人，这可能会让你非常沮丧。一个有经验的网络训练者可以系统的克服这些困难，尽管存在着大量似是而非的错误信息，比如：你的网络训练的不太好。对

转载 KCF

转载：http://www.cnblogs.com/YiXiaoZhou/p/5925019.htmlKCF是一种鉴别式追踪方法，这类方法一般都是在追踪过程中训练一个目标检测器，使用目标检测器去检测下一帧预测位置是否是目标，然后再使用新检测结果去更新训练集进而更新目标检测器。而在训练目标检测器时一般选取目标区域为正样本，目标的周围区域为负样本，当然越靠近目标的区域为正样本的可能性越大。

原创 TLD算法学习

目前，基于检测和半监督学习的目标跟踪算法已经成为研究的主流。TLD是这其中的经典代表，具有良好的适应性和鲁棒性！TLD提出背景传统跟踪算法对运动目标初始化后就可以快速地生成目标的运动轨迹，但传统算法仅仅依靠的是先验的知识，非常不利于对实际情况的变化做出适应。并且在不断的跟踪中难免会不断的积累误差，而且一旦目标跟踪失败那么即使目标再次失败也无法继续跟踪！究其原因，传统的检测算法独立的评估每一帧视频序列

转载 深度学习论文和开源代码

语义分割： Awesome Semantic Segmentation https://github.com/mrgloom/awesome-semantic-segmentationSemantic Segmentation Algorithms Implemented in PyTorch https://github.com/meetshah1995/pytorch-sems

原创 计算机视觉论文集

整理各大会议的papers：http://www.cvpapers.com/CVPR：1、http://www.cv-foundation.org/openaccess/CVPR2015.py

转载 AlexNet

摘要我们训练了一个大型的深度卷积神经网络，来将在ImageNet LSVRC-2010大赛中的120万张高清图像分为1000个不同的类别。对测试数据，我们得到了top-1误差率37.5%，以及top-5误差率17.0%，这个效果比之前最顶尖的都要好得多。该神经网络有6000万个参数和650,000个神经元，由五个卷积层，以及某些卷积层后跟着的max-pooling层，和三个全连接层，还有排在最

转载 ResNet

ResNet要解决的问题深度学习网络的深度对最后的分类和识别的效果有着很大的影响，所以正常想法就是能把网络设计的越深越好，但是事实上却不是这样，常规的网络的堆叠（plain network）在网络很深的时候，效果却越来越差了。 这里其中的原因之一即是网络越深，梯度消失的现象就越来越明显，网络的训练效果也不会很好。 但是现在浅层的网络（shallower network）又无法明

转载 tensorflow语法学习

摘要：本文主要对tf的一些常用概念与方法进行描述。为‘Tensorflow一些常用基本概念与函数’系列之二。1、tensorflow的基本运作为了快速的熟悉TensorFlow编程，下面从一段简单的代码开始：import tensorflow as tf #定义‘符号’变量，也称为占位符 a = tf.placeholder("float") b = tf.placehold

转载 解毒batch normalization

本文转载自：http://blog.youkuaiyun.com/shuzfan/article/details/50723877本次所讲的内容为Batch Normalization，简称BN，来源于《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》，是一篇很好的

转载 1*1卷积

本文介绍1*1的卷积核与googlenet里面的Inception。正式介绍之前，首先回顾卷积网络的基本概念。 1. 卷积核：可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸。卷积核的个数就对应输出的通道数，这里需要说明的是对于输入的每个通道，

原创 Keras深度神经框架

Keras: 基于Theano和TensorFlow的深度学习库Keras是一个高层神经网络库，Keras由纯Python编写而成并基Tensorflow或Theano。是专门为简易开发，减少代码量，让设计者更加注重理论设计。简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）支持CNN和RNN，或二者的结合支持任意的链接方案（包括多输入和多输出训练）无缝C

转载 深度学习学习7步骤

作者：李嘉璇链接：https://www.zhihu.com/question/49909565/answer/169949155来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。下面就来详细介绍一下这7个步骤。1．学习或者回忆一些数学知识因为计算机能做的就只是计算，所以人工智能更多地来说还是数学问题[1]。我们的目标是训练出一个模型，用

转载 常见优化方式

前言（标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。SGD此处的SGD指mini-batch gradient descent，关于batch gradient descent, stochastic gradient descent, 以及 mini-batch gradient d

转载 TensorFlow常用函数

转载：http://blog.youkuaiyun.com/wuqingshan2010/article/details/71056292摘要：本文介绍了tensorflow的常用函数。1、tensorflow常用函数TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU。一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能

转载 TensorFlow初入

介绍TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。它是谷歌基于DistBelief进行研发的第二代人工智能学习系统。2015年11月9日