<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[专注！切记浮躁]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u010460650</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u010460650]]></copyright><item><title><![CDATA[Ubuntu 16.04 配置Nvidia驱动]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/82762101</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/82762101</guid><author>u010460650</author><pubDate>Tue, 18 Sep 2018 18:30:35 +0800</pubDate><description><![CDATA[Ubuntu 16.04 LTS 配置Nvidia 驱动1 安装包安装2 源安装其他参考
有两种办法来安装Nvidia 驱动 ，其一是按照官方给的安装包来来进行安装，其二是按照PPA源安装。
1 安装包安装
驱动下载地址# ：（1）https://www.geforce.cn/drivers （2）https://www.nvidia.com/Download/index.aspx?lang=cn...]]></description><category></category></item><item><title><![CDATA[开发环境搭建（1）：Ubuntu 16.04+Win10  双硬盘双系统安装]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/80626733</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/80626733</guid><author>u010460650</author><pubDate>Sun, 10 Jun 2018 14:11:55 +0800</pubDate><description><![CDATA[安装环境：


  基于 BIOS+MBR，两块硬盘SSD+机械硬盘，win10 1709+ ubuntu16.04.04 


1.安装Windows 10 
笔者使用的电脑为联想小新锐7000基础版，仅有一块机械硬盘，后来加的固态硬盘。所以机械硬盘为笔记本的第一硬盘，在重装系统的过程中，将windows的保留分区（boot分区及其他）安装在了机械硬盘上，笔者曾试图用windows安装程序自带分...]]></description><category></category></item><item><title><![CDATA[一种通用的图像预处理方式]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/80260708</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/80260708</guid><author>u010460650</author><pubDate>Wed, 09 May 2018 22:26:34 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[姿态识别（1）：DeepPose ： Human Pose Estimation via Deep Neural Networks]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/80187726</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/80187726</guid><author>u010460650</author><pubDate>Mon, 07 May 2018 18:40:05 +0800</pubDate><description><![CDATA[这篇文章是使用深度学习网络处理人体关节点定位的第一篇文章，发表于2014，August 20. 作者使用了级联的卷积神经网络来预测人体关节点。



1 研究背景

人体姿态识别被定义为人体关键点的定位问题，一直以来是计算机视觉领域的重要关注点。这一问题有着一些常见的挑战，比如各式各样的关节姿态，小得难以看见的关节点，遮蔽的关节点，需要根据上下文判断的关节点，而这个领域主流的工作是各式样的关节姿态...]]></description><category></category></item><item><title><![CDATA[Visualizing and Understanding Convolutional Networks]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/79941472</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/79941472</guid><author>u010460650</author><pubDate>Sat, 14 Apr 2018 16:26:25 +0800</pubDate><description><![CDATA[卷积神经网络可以提高分类效果，然而其内部解释性却不如传统网络。为了弄清楚卷积神经网络是如何提取图像特征，Matthew D. Zeiler与Rob Fergus就这个问题发表了Visualizing and Understanding Convolutional Networks论文。 
在观察第一层图片特征提取时，会发现卷积网络会首先提取一些简单的色彩，直线，曲线等低级特征，而到了第二层甚至更高...]]></description><category></category></item><item><title><![CDATA[关于tensorflow 中 placeholder 与 reshape的一点坑]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/79717620</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/79717620</guid><author>u010460650</author><pubDate>Tue, 27 Mar 2018 19:00:21 +0800</pubDate><description><![CDATA[在搭LeNet-5 模型时，在卷积层的输出到全连接层时，使用了reshape将四维的矩阵转化维2维矩阵时，发生了错误： 
  
起初以为时类型转换发生了错误，然后演算过后发现并没有错误。然后改了下 训练数据的输入格式



    # 定义输入输出placeholder， **修改前**
    x = tf.placeholder(tf.float32,
                    ...]]></description><category></category></item><item><title><![CDATA[Tensorflow 中max_pool的padding 问题]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/79704262</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/79704262</guid><author>u010460650</author><pubDate>Mon, 26 Mar 2018 21:09:17 +0800</pubDate><description><![CDATA[
  之前在学习过程中并没有遇到池化层padding的问题，在听课过程没有提到池化层padding，于是试了下，果然填不填充是不一样的效果。下面是程序示例




a = tf.get_variable('w',  shape=(1,4,4,1), initializer=tf.truncated_normal_initializer(seed=1))
b = tf.nn.max_pool(a, ...]]></description><category></category></item><item><title><![CDATA[Tensorflow 模型持久化]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/79608194</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/79608194</guid><author>u010460650</author><pubDate>Mon, 19 Mar 2018 10:28:29 +0800</pubDate><description><![CDATA[保存变量


  这里的保存两个变量，然后另外从另一个文件读取




import tensorflow as tf
from prepare import Prepare
Prepare()

v = tf.Variable(0, dtype=tf.float32, name=&quot;v&quot;)
for variables in tf.global_variables():
    print(vari...]]></description><category></category></item><item><title><![CDATA[KNN cifar-10 L1 L2距离 交叉验证]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/78787524</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/78787524</guid><author>u010460650</author><pubDate>Wed, 13 Dec 2017 00:29:53 +0800</pubDate><description><![CDATA[K-NN k-Nearest Neighbor分类器
  之前的近邻算法(NN)是仅仅选择一个最近的图像标签，K-NN是选出K个差值最小的图像标签，然后看那个标签的数量多就选用那个标签作为预测值，这样就提高了泛化能力。
交叉验证。
  有时候，训练集数量较小（因此验证集的数量更小）。如果是交叉验证集，将训练集平均分成5份，其中4份用来训练，1份用来验证。然后我们循环着取其中4份来训练，其中1份来验证]]></description><category></category></item><item><title><![CDATA[CIFAR-10驱动的KNN分类器]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/78783019</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/78783019</guid><author>u010460650</author><pubDate>Tue, 12 Dec 2017 16:14:20 +0800</pubDate><description><![CDATA[先读取CIFAR-10的数据集，CIFAR的数据字典包含了50000张图片，每张图片是32x32的的三通道彩色图像，所以CIFAR-10的训练集是有50000个32x32x3=3072的向量组成。 （50000，3072）的矩阵构成了训练图片，训练集中有包含了50000个label。测试集是10000张图片，10000个label。训练集分为5个batch，在读取数据时，将5个batch数据读入到一]]></description><category></category></item><item><title><![CDATA[机器学习--梯度下降]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/78182237</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/78182237</guid><author>u010460650</author><pubDate>Mon, 09 Oct 2017 14:28:18 +0800</pubDate><description><![CDATA[在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。

1. 梯度

　　　　在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是(∂f/∂x, ∂f/∂]]></description><category></category></item><item><title><![CDATA[形态学图像处理]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/76220225</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/76220225</guid><author>u010460650</author><pubDate>Thu, 27 Jul 2017 20:52:45 +0800</pubDate><description><![CDATA[形态学图像处理是指从图像中提取一些“内涵”，也就是一些想得到的属性。形态学处理的数学工具是集合论，在冈萨雷斯的书中研究对象以后两种一种是二值图像，一种是灰度图像。
  在在二值图像中中主要有膨胀和腐蚀两种基础操作，大多数形态学算法都是基于膨胀和腐蚀这两种。不管那种操作都需要用到一种处理的工具，这种工具定义了如何对图像进行腐蚀，在图像处理中这种工具被称为结构元（structure element），就]]></description><category></category></item><item><title><![CDATA[多态  编译器&运行期绑定]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/9904359</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/9904359</guid><author>u010460650</author><pubDate>Sun, 11 Aug 2013 22:13:45 +0800</pubDate><description><![CDATA[名词解释：
多态：
面向对象语言的一个重要特征：多态（polymorphism）。以专业术语来讲，是一种运行期绑定(run-time binding)机制，,通过这种机制，实现函数名绑定到具体实现代码的目的。
入口地址：
执行程序时，构成程序的函数在内存中拥有自己的存储空间，而一个函数在内存中的起始地址被称为入口地址，函数名与入口地址是紧密相连的。
运行期绑定：
函数的地址在运行时确定]]></description><category></category></item><item><title><![CDATA[c++ 数组class 派生类继承]]></title><link>https://blog.youkuaiyun.com/u010460650/article/details/9864019</link><guid>https://blog.youkuaiyun.com/u010460650/article/details/9864019</guid><author>u010460650</author><pubDate>Fri, 09 Aug 2013 21:05:22 +0800</pubDate><description><![CDATA[这次写代码还是感觉自机不够细心，自己太马虎，虽然不是一名程序员但应该做好自己。
头文件：
`#ifndef ARRAY_H_
#define ARRAY_H_

#define MAX_ARRAY 50 // 设置最大数组存取长度
#define len(a) (sizeof(a)/sizeof(a[0])) // 计算数组长度
#include 
#include  // use exit(]]></description><category></category></item></channel></rss>