范超奇-优快云博客

转载 voronoi diagram

http://www.csie.ntnu.edu.tw/~u91029/VoronoiDiagram.html

2017-08-21 10:13:13 703

转载菜鸟学概率统计——最大似然估计（MLE)

参考：https://www.zhihu.com/question/20447622/answer/23902715 说的通俗一点啊，最大似然估计，就是利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值(模型已知，参数未知）。基本思想当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大，而不是像最小

2017-08-18 10:18:34 3029

转载 K-Means聚类算法的原理及实现【转】【转】

K-Means聚类算法的原理及实现【转】【转】http://www.aboutyun.com/thread-18178-1-1.html问题导读：1、如何理解K-Means算法？2、如何寻找K值及初始质心？3、如何应用K-Means算法处理数据？K-Means是聚类算法中的一种，其中K表示类别数，Means表示均值。顾名思义K-Means是一种通过均值对

2017-08-18 09:57:59 742

转载解析解【闭式解（closed-form solution）】和数值解

数值解(numerical solution)是在特定条件下通过近似计算得出来的一个数值，是采用某种计算方法,如有限元的方法, 数值逼近,插值的方法, 得到的解.别人只能利用数值计算的结果解析解(analytical solution)就是给出解的具体函数形式，从解的表达式中就可以算出任何对应值，就是一些严格的公式,给出任意的自变量就可以求出其因变量,也就是问题的解, 他人可以利用这些公式

2017-08-18 09:40:38 1125

原创矩阵秩

矩阵的秩可以理解为矩阵列向量（或者行向量）所构成的空间的维数，满秩就是秩与矩阵列数相等。

2017-07-21 16:36:34 830

转载 protocal buffer repeate 关键字

转自：http://blog.youkuaiyun.com/guyue35/article/details/51181845http://blog.sina.com.cn/s/blog_abea023b0101dxce.html要通信，必须有协议，否则双方无法理解对方的码流。在protobuf中，协议是由一系列的消息组成的。因此最重要的就是定义通

2017-07-19 16:39:06 563

原创 caffe 调参经验：1

1.对于cnn网络，根据图像项目的需要可以调整卷积核的大小来提高或降低feature感受野，不过如果提高了卷积核大小，那么计算量会呈指数增长;

2017-07-19 14:17:49 317

转载深入理解 cnn 中pooling 的重要作用

原文连接：http://blog.youkuaiyun.com/jiejinquanil/article/details/50042791自己在看论文的过程中结合网上的一些资料，对pooling的一些理解汇总如下，以供参考： 1、pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。 2、

2017-06-29 19:51:33 1961

转载 caffe 调参理解

1.降低过拟合最简单的方法就是进行数据增强，数据增强可通过普通的图像转换和水平翻转。

2017-06-27 11:03:58 325

原创 ceffe 中Relu的理解

1.relu对输入的非负值不做处理，对负值做置零处理. 而高斯卷积层的结果全为非负数，那么如果relu层的上一层为高斯卷积层，是不是relu层就没有作用了？一开始，我对这个问题也很困惑，后来发现了答案，由于网络在每一次反向传播结束后都会对权值进行更新，那么更新后的高斯核中就由可能出现负值，进而高斯卷积层的输出也可能出现负值，所以Relu 层并非对高斯卷积层不起作用。

2017-06-27 10:41:37 1116

原创 caffe mnist loss函数的理解

1.caffe在设计的时候，保证网络的每一层都可以贡献损失值，每一层对损失的贡献大小是由该层的一个层参数loss_weight决定的，网络中每一层的loss_weight加起来，其和必为1,默认情况下，后缀为loss的层的层参数loss_weight=1,而其他层的层参数loss_weight=0；当该层的loss_weight=0时，该层贡献的损失值为0,注意当该层的loss_w

2017-06-18 15:53:15 607

原创深度学习理解（一）

1.深度学习是为了找到一种使得损失函数最小的参数模型，以实现对复杂函数的逼近！2.训练的最终目的是使损失函数以最快的速度收敛到最小值。

2017-06-17 10:51:29 346

1.caffe 在做train时，每一步Step当中，要做iter_size次forward_backward迭代计算，其中每一次foward_backward计算都会产生权重的残差diff，那么做iter_size次forward_backward计算就会产生iter_size次diff残差，SGDSolver会把这iter_size个diff残差做一个平均计算，取其平均值作为本次Step的权值

2017-06-06 11:31:17 2198

原创 caffe 卷积层的理解

层参数num_output其实就是滤波器的个数，每张单通道的图片可以卷积出num_output张单通道的图片，这num_output张单通道的图片也可以被称为一张有num_output个channel的图片，这张有num_output个通道的图片不是通过num_output次卷积出来的，而是先将num_output个滤波器排列在一起组成一个矩阵，然后和输入图片进行一次卷积操作就生成了一张有num_

2017-05-17 11:41:17 407

原创关于caffe innerproduct层的理解

假设innerproduct（以下称IP层）层的层参数output_num为n, IP层输入blob尺寸为m*c*w*h ,那么输出尺寸为m*n ,即m*n*1*1,不难看出IP层把输入blob的m个二维矩阵（图片）通过与权重矩阵的卷积运算，最终转化为了一个m*n的二维矩阵，很显然，这个二维矩阵感知了输入的m张图片的综合特征，这也是IP层被称为多层感知的原因吧！

2017-05-16 16:18:53 6135

原创 caffe 理解

今天终于明白了caffe 框架的大致思路：1.首先对图像进行滤波，生成特征图，特征图的个数取决于滤波器的个数，特征图的特征取决于滤波器的种类。2.对特征图进行池化，池化的目的是在最大限度保留特征信息的情况下，缩小特征图的尺寸，以减少后续计算量。3.池化过的特征图可以用于进行图片分类，物体检测等等目的

2017-05-12 21:22:22 454

原创 base_conv_layer.cpp中的参数理解

//num_spatial_axes_ 代表了卷积核的维度数num_spatial_axes_ = num_axes - first_spatial_axis; CHECK_GE(num_spatial_axes_, 0); vector spatial_dim_blob_shape(1, std::max(num_spatial_axes_, 1));

2017-05-12 16:38:07 1034

原创 win10 ise 生成bit文件报错FATAL_ERROR:Bitstream:stanbsbitfile.c:3408:1.57 - Incorrect number of bits in

FATAL_ERROR:Bitstream:stanbsbitfile.c:3408:1.57 - Incorrect number of bits in bitstream (18) for FDRI write. For technical support on this issue, please visit http://www.xilinx.com/support.

2016-11-17 12:08:08 15345 6

原创对listview adapter的getview方法的新认识viewholder

以前对getview机制不理解，直到最近遇到了一个问题，才明白其中的道理，其实viewholder作用是在convertView 第一次创建之后，不用创建新的view对象来显示数据，因为如果convertview没有销毁，那么就从convertview.gettag里面取出holderview，那么convertview什么时候会第一次创建呢？根据listview的显示原理，如果数据ite

2016-06-04 16:54:15 534

转载 linux 中.a和.so的区别

本文转载自http://www.cnblogs.com/laojie4321/archive/2012/03/28/2421056.html感谢原作者的精彩分享函数库分为静态库和动态库两种。 1. 静态函数库这类库的名字一般是libxxx.a；利用静态函数库编译成的文件比较大，因为整个函数库的所有数据都会被整合进目标代码中，他

2016-05-11 14:42:57 23626 7

原创 linux驱动心得

1，linux内核80%都是是驱动程序；2，驱动程序主要是对寄存器的操作；3，linux本质是对单片机的封装；

2016-02-03 12:47:02 739 1

转载 zigbee以太网网关方案

zigbee以太网关方案

2016-01-23 11:09:01 12244

转载 openwrt

原文地址：http://blog.chinaunix.net/uid-22002627-id-3475650.html碰到这个问题后找到这个帖子就转了过来当用apt-get更新软件包时常出现错误提示Unable to locate package update, 尤其是在ubuntu server上,解决方法是：先更新apt-get #sudo apt-get update 执行完

2016-01-16 21:49:55 1701

原创第一次编译Android源码，悲喜交织的旅途开始了

由于项目需求，不得不去编译Android源码，到目前已经用了3天时间了，仍然没

2016-01-15 08:33:12 437

原创学习单片机心得

通过对单片机的学习，我总结了一条规律：学习单片机，其实主要是学习其芯片的寄存器；相应的，对Android，ios，contiki,freeOS,linux等操作系统的学习，主要是学习其api其实实现了zigbee的协议栈，也可以看作一个简单的操作系统，相应的，对协议栈的学习，其本质也是对其api的学习以上仅代表个人观点及理解，请各位网友三思而后喷

2016-01-14 15:05:23 540

原创物联网技术趋势预测

我觉得未来社会的各行各业逐渐走向智能化，机械化是必然的，而智能化又离不开信息的采集，汇总，分析，处理，反馈等，谈到信息的采集，又不得不说物联网，谈到物联网，从技术上讲，又不得不说zigbee，ble蓝牙，thread，brilo,contiki等，这些技术未来哪一个会成为主流呢？很难说，我个人觉得zigbee相对可能性大一点，各位网友你们对物联网的观点是怎样的呢？欢迎留言讨论！

2016-01-13 08:28:02 497

原创 zigbee 绑定

zigbee绑定

2016-01-12 12:02:23 1025

u010935076的博客