阳光玻璃杯

最近看了些yolov3和ssd的水文，感觉有些收获，所以基于自己的理解搭建了个人脸检测的模型，在winderface数据集上进行尝试性训练．有一点效果，但还有很大的训练和改进空间．这里把工程share出来，希望有相同爱好的可以一起优化，训练出一个state of art的人脸检测模型．源码地址(github)：face_detect如果对你有帮助，给他star鼓励下，谢谢！！！我的模型说明：基于resnet，Bottleneck是一个resnet单元．在三个特征map上检测人

传统车牌识别传统的车牌识别需要先检测出车牌，检测出车牌后通过“像素映射”或者“联通区查找”的方法分割出单个的文字，然后单独识别每个文字。传统的车牌识别不仅繁琐，而且切割文字的效果也很难令人满意。因此，能不能绕开字符分割的问题，直接识别车牌中的字符呢？当然可以的。有两种方法：crnn+ctc 卷积onlycrnn+ctc是自然场景下ocr比较通用的方法，用来识别车牌当然可以的，但是难免有...

前言YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，yolo将对象定位作为回归问题求解，在one-stage中实现对象定位与识别，其最大的特点就是快！快！快！既然yolo本来就是通过回归的方法对对象定位，并与此同时对对象进行分类。那我们很容易想到yolo在做对象定位的同时可以对对象的特征点进行回归，最常见的用例是人脸检测与人脸对齐同步完成。将...

前言看过我之前的博客就知道，我曾经用java写了一个深度神经网络[CupDnn](https://github.com/sunnythree/CupDnn)，但是，java写的深度神经网络真的非常慢。由于这个原因，我打算使用c++和cuda重写一个深度学习框架。有了写CupDnn的经验，结合最近阅读darknet、caffe、tiny_dnn源码的心得，新写的[Grape](https://g...

github地址：CupDnn地址（给个小星星呗^~^）RNN的原理？。。。。嗯。。。不想多说，很多介绍其原理的文章，所以这里就不啰嗦了。为什么推荐CupDnn中实现的rnn?足够简单，可能是最简单的实现吧，很容易学习。有例子吗？有的。给的例子是计算两个数相加。比如1+1=2 ， 0.5+0.5=1。。。。额？？？？这需要用深度学习？不需要，但是用rnn来实现别有一...

CupCnn是一个用java写的卷积神经网络。支持L1、L2正则化正则化的理论非常复杂，推导过程也比较繁琐，但是实现确实异常的容易，主要体现在权重的衰减。通俗的讲，就是我们每次在更新权重w的时候，可以的让他比应该的大小减小一点。 // TODO Auto-generated method stub float[] wData = w.getData(); float[] grad...

我们可以把深度学习能做的事情分为两类：时间无关的事情和时间相关的事情。时间无关的话，比如人脸识别，给神经网络一张照片，神经网络就能告诉你这是谁，这是和时间无关的。时间相关的话，比如，我要知道一段视频里的人实在吃饭还是在打哈欠，这个可能通过一张照片是无法判别的，但是通过多张连续的图片，构成一段视频，我们就可以判别这个人是在打哈欠还是在吃饭了。可是，手写数字命名是一张张无时间关系的静态图片啊？我们怎...

结果展示最近尝试做了下人脸检测，先上两张效果图吧： 这已经是跳出来的效果比较好的图片了，表现的确是有点差。 我用了4000（19*19）多张人脸图片和8000（19*19）多张非人脸图片训练出了这个卷积模型。这个数据量确实有点少，所以效果不太好也是可以理解的。主要还是分享做人脸检测的经历。但是，我还是相信只要给我充分的数据，我也可以训练出高质量的模型。FaceDetector...

前言我在写CupCnn的时候，一个困扰我很久的问题，就是如何组织卷积神经网络的数据结构。尤其是卷积层和全连接层之间的衔接问题。卷积层至少需要四维的数据结构（batch+channel+height+width）,而全连接层则只需一个二维的数据即可（batch+数据）。 CupCnn是我用java实现的一个卷积神经网络，它的源码可以从github下载： 点击下载CupCnn卷积神经...

前言在机器学习中，卷积神经网络是一种深度前馈人工神经网络，已成功地应用于图像识别。目前，很多的车牌识号识别，人脸识别等都采用卷积神经网络，可以说卷积神经网络在图像识别方面取得了巨大的成功。当前开源的深度学习框架有很多了，比如caffe,tensorflow,torch等，这些深度学习框架包含了完善的卷积神经网络的实现，那么，为什么我们还要自己写卷积神经网络？直接用这些开源的深度学习框架多好，又...

上一节我们自己写代码训练了只有一个神经元的反相器，它虽然只有一点点代码，但却让我们加深了梯度下降算法和反向传播算法的理解。只要勇敢的迈出这一步后，我们就可以勇敢的尝试它：深度学习中的hello wold–识别手写数字。只有自己写过的代码，才能完全的理解它的用意，不管它多烂，多糟糕，它确是完全属于你的东西。在训练处反相器以后，我开始大胆的尝试自己写一个全连接的神经网络，来训练手写数字。这并不难，

神经网络与深度学习这本书是我学习深度学习的启蒙教材，感兴趣可以到链接出下载。通过一段时间的学习，感觉基本理解了梯度下降算法和反向传播算法，于是尝试着自己写代码来实现神经网络。一开始总是很难的，所以我设计了个非常简单的目标，训练一个神经元。比如我给他输入1，我期望它输出0，这就是一个反相器。我希望它能做到这一点，所以我对他进行训练。 训练一个神经元能简化梯度下降算法和反向传播算法的实现，也能帮助我...

初学tensorflow，我做了一个无聊的尝试。构建一个只有两个输入，一个输出的升经网络，然后训练它。我的目标是，我给他指定一个输入，比如x1=x2=1,我期望y能输出0,所以我不断的输入x1=x2=1,然后不断的训练它，等训练一万次以后，y的输出应该非常接近0。然后我可以调整期望，比如期望y能输出0.3,然后再训练一万次，y的输入应该能非常接近0.3才行。下面是程序和实验结果：

TensorBoard 的可视化工具,可以用来展现你的 TensorFlow 图像，绘制图像生成的定量指标图以及附加数据。 tensorBoard的使用设计如下几个函数：第一、创建一个事件文件summary_waiter = tf.summary.FileWriter("log",tf.get_default_graph())log是事件文件所在的目录，这里是工程目录下的log目录。第二个参数是

当你安装了tensorflow后，tensorflow自带的教程演示了如何使用卷积神经网络来识别手写数字。代码路径为tensorflow-master\tensorflow\examples\tutorials\mnist\mnist_deep.py。 为了快速测试该程序，我提前将需要的mnist手写数字库下载到了工程目录（我在pycharm中新建了工程，并把mnist_deep.py中的代码拷贝