Wolf_xujie的博客

这个是不断更新的，一般遇到什么我不懂得名词都会放到这里来说一下，然后有时间的话就会排的整齐一点。

Bloom Filter 是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。Bloom Filter 的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter 不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloo...

主要介绍一下我经常遇见的一些卷积网络和它的一些变种。基础的卷积网络我觉得这个经典的动态图片可以很好的理解卷积的过程。图中绿色的大矩阵是我们的输入，黄色的小矩阵是卷积核（kernel，filter），旁边的小矩阵是卷积后的输入，通常称为feature map。从动态图中，我们可以很明白的看出卷积实际上就是加权叠加。同时，从这个动态图可以很明显的看出，输出的维度小于输入的维度。如果我们需要输出...

摘要越深的神经网络训练起来越困难。本文展示了一种残差学习框架，能够简化那些非常深的网络的训练，该框架使得层能根据其输入来学习残差函数而非原始函数（unreferenced functions）。本文提供了全面的依据来表明，这些残差网络的优化更简单，而且能由更深的层来获得更高的准确率。本文在ImageNet数据集上使用了一个152层深的网络来评估我们的残差网络，尽管它相当于8倍深的VGG网络，但是...

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。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)f(x,y)f(x,y)，分别对x,yx,yx,y求偏导数，求得的梯度向量就是(∂f/∂x,∂f/∂y)T(\partial f ...

感知机可以说是最古老的分类方法之一，早在1957年就已经提出。从今天来看它的分类模型在大多数时候泛化能力不强，但是它的原理却值得好好研究。因为研究透了感知机模型，学习支持向量机的话会降低不少难度。同时如果研究透了感知机模型，再学习神经网络，深度学习，也是一个很好的起点。1.感知机模型感知机的思想很简单，比如我们在一个平台上有很多的男孩女孩，感知机的模型就是尝试找到一条直线，能够把所有的男孩和女...

通常是指图像中的一些小的细节信息，例如边缘（edge)，角(corner)，颜色(color)，像素(pixeles)，梯度(gradients)等，这些信息可以通过滤波器、SIFT 或 HOG 获取。通常来说，卷积神经网络中这两种类型的 features 都会用到: 卷积神经网络的前几层学习 low level feature，后几层学习的是 high level feature。是建立在low level feature之上的，可以用于图像中目标或物体形状的识别和检测，具有更丰富的语义信息。

1.PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比概念： PSNR（PeakSignaltoNoiseRatio） 峰值信噪比,是信号最大功率与信号噪声功率之比。通常使用PSNR来测量已经被压缩的重构图像的质量。每个图片元素（像素）都有一个颜色值，当图像被压缩，然后解压缩时，颜色值可以改变。信号可以具有很宽的动态范围，所以PSNR通常以分贝（dB）表示。PSN...

在看论文的过程中不断的出现end-to-end train这的词，于是我就很好奇，什么是端对端的训练。从网上的资料整理下来大概是这样的。网上资料整理端到端指的是输入是原始数据，输出是最后的结果，原来输入端不是直接的原始数据，而是在原始数据中提取的特征，这一点在图像问题上尤为突出，因为图像像素数太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取图像的一些关键特征，这实际就是就一个降维...