lighting

这篇博客是对这篇论文的翻译以及理解绪论以及2.2节以前的部分比较好理解，这里我就从2.2节开始，一段英文一段中文的翻译。 2.2 Spring Model AnalogyAn analogy to a particular mechanical spring system is given to provide an intuition of what is happening

  GAN要同时训练一个生成网络（Generator）和一个判别网络（Discriminator）,前者输入一个noise变量z，输出一个伪图片数据G(z;θg)G\left ( z;\theta _{g} \right )G(z;θg​)，后者输入一真实图片（real image）以及伪图片（fake image）数据 x ，输出一个表示该输入是真实图片或者伪造图片的二分类置信度G(x;θd)G...

今天在写算法的时候出现了几个错误：一、TypeError: ufunc 'multiply' did not contain a loop with signature matching types dtype('<U32') dtype('<U32') dtype('<U32') U32就是 长度为32个字节的无符号整数类型，这下就好办了，发现问题是出在读取t...

 最近想重复一下这篇论文的中LB结构的理解。但是论文中对于这个结构的描述有点含糊不清，在此梳理一下。  在原论文的4.2.1节 论文的截图如下： 对于上一段话的翻译： 在这个网络中，一对GEI对比阶段是在网络的底部区域。在计算一对GEI之前，仅仅用了线性映射。这个阶段的实现是在卷积阶段用16个filters来实现的.一对GEI作为一对filter的输入。这种方法可以看做两个加权比较器。 ...

机器学习中训练样本不均衡问题1. 训练样本不均衡  在学术研究与教学中，很多算法都有一个基本假设，那就是数据分布是均匀的。当我们把这些算法直接应用于实际数据时，大多数情况下都无法取得理想的结果。因为实际数据往往分布得很不均匀，都会存在“长尾现象”，也就是所谓的“二八原理”。下图是新浪微博交互分布情况：   可以看到大部分微博的总互动数（被转发、评论与点赞数量）在0-5之间，交互数...

FCN图像的降噪最近发现设计的网络的分类正确率一直上不去，将那些分类错误的图片拿出来进行比较，发现原数据集的图片噪声较大，所以写一个全卷积自编码器进行图像的降噪网路的结构如下： 网络结构说明2.1 第一部分：Encoder卷积层Encoder卷积层设置了三层卷积加池化层，对图像进行处理。第一层卷积中，我们使用了64个大小为3 x 3 的滤波器（filte...

函数原型  tf.train.batch([example, label], batch_size=batch_size, capacity=capacity) 1. [example, label]表示样本和样本标签，这个可以是一个样本和一个样本标签 2. batch_size是返回的一个batch样本集的样本个数。 3. capacity是队列中的容量。这主要是按顺序组合成...

数据归一化的两个好处：1、提升模型的收敛速度 2、提升模型的精度机器学习常见的归一化算法 :1、 min-max 标准化(Min-max normalization)也叫0-1标准化（0-1 normalization）:对原始数据的线性变换，是结果落到[0,1]区间，转换函数如下： (63)xnormalization=x−minmax−min"

MSE：Mean Squared Error. 均方误差是指参数的估计值与参数的真实值之差的平方的期望. MSE可以评价数据的变化程度，MSE越小，说明模型的拟合实验数据能力强. (72)MSE=1N∑t=1N(predictedt−label)2" role="presentation" style="position: relative;">MSE=1N

最近将High-way的思想用到了步态识别上，我觉得应该算是一个创新点，但是小伙伴建议我读一读Rethinking the value of resnet ,或许会对我有所启发。所以今天就来拜读一下。主要是翻译的形式，一段英文一段中文。AbstractNetwork pruning is widely used for reducing the heavy computational cost...