<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zbw328的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zbw328</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zbw328]]></copyright><item><title><![CDATA[scene-graph]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/100041490</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/100041490</guid><author>zbw328</author><pubDate>Fri, 23 Aug 2019 16:31:55 +0800</pubDate><description><![CDATA[scene_graph_1 | Tensor("ims:0", shape=(?, ?, ?, 3), dtype=float32)
scene_graph_1 | Tensor("conv_out:0", shape=(?, ?, ?, 512), dtype=float32)
scene_graph_1 | Tensor("rois:0", shape=(?, 5), dtype=flo...]]></description><category></category></item><item><title><![CDATA[matlab 绘图 总结整理]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/85159284</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/85159284</guid><author>zbw328</author><pubDate>Fri, 21 Dec 2018 11:26:53 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/sinat_21026543/article/details/80215281]]></description><category></category></item><item><title><![CDATA[数据处理中的 LabelEncoder 和 OneHotEncoder 总结对比]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/82455362</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/82455362</guid><author>zbw328</author><pubDate>Thu, 06 Sep 2018 10:44:19 +0800</pubDate><description><![CDATA[    机器学习中会有连续特征和离散特征，拿到获取的原始特征，必须对每一特征分别进行归一化，比如，特征A的取值范围是[-1000,1000]，特征B的取值范围是[-1,1].如果使用logistic回归，w1*x1+w2*x2，因为x1的取值太大了，所以x2基本起不了作用。所以，必须进行特征的归一化，每个特征都单独进行归一化。

 对于连续性特征：

Rescale bounded continu...]]></description><category></category></item><item><title><![CDATA[CNN的优点和缺点]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/81778419</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/81778419</guid><author>zbw328</author><pubDate>Mon, 20 Aug 2018 19:05:07 +0800</pubDate><description><![CDATA[优点：

1、共享卷积核，对高维数据处理无压力

2、需手动选取特征，训练好权重，即得特征分类效果好

 

缺点：

1、需要调参，需要大样本量，训练最好要GPU

2、物理含义不明确...]]></description><category></category></item><item><title><![CDATA[python 中的 常用 opencv 以及图像处理相关函数总结整理]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/81875140</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/81875140</guid><author>zbw328</author><pubDate>Mon, 20 Aug 2018 19:04:38 +0800</pubDate><description><![CDATA[1.读取图片

img = cv2.imread(&quot;D:\cat.jpg&quot;)   ，OpenCV目前支持读取bmp、jpg、png、tiff等常用格式。
	创建一个窗口    cv2.namedWindow(&quot;Image&quot;)  
	然后在窗口中显示图像     cv2.imshow(&quot;Image&quot;, img)  
	cv2.waitKey (0)  
	cv2.destroyAllWindows(...]]></description><category></category></item><item><title><![CDATA[dropout为什么能够防止过拟合]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/81699325</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/81699325</guid><author>zbw328</author><pubDate>Wed, 15 Aug 2018 10:27:24 +0800</pubDate><description><![CDATA[      都知道dropout可以防止过拟合，有一次被面试官问到dropout是怎么有效的防止过拟合的，当时没回答上来，然后就学习了一波。可能现在理解的还不是很透彻，大概总结一下，便于后续使用。

        对于dropout的提出，深度学习领域大神Hinton，在2012年文献：《Improving neural networks by preventing co-adaptation ...]]></description><category></category></item><item><title><![CDATA[Pycharm 使用技巧总结]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/81128245</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/81128245</guid><author>zbw328</author><pubDate>Fri, 20 Jul 2018 10:48:50 +0800</pubDate><description><![CDATA[由于刚刚开始学习Pycharm，在使用过程之中，慢慢总结一些使用技巧，这样会提高写代码的效率。

1、注释/取消注释

Ctrl + /

2、自动补全空格

Ctrl + Alt + L

 

后续继续补充...]]></description><category></category></item><item><title><![CDATA[Tensorflow 安装过程中遇到的一些坑]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/81121951</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/81121951</guid><author>zbw328</author><pubDate>Thu, 19 Jul 2018 20:25:34 +0800</pubDate><description><![CDATA[1、运行代码之后，控制台除了输出应该有的结果外，还多了一行： 
I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 
...]]></description><category></category></item><item><title><![CDATA[数据结构与算法学习指南]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/80070445</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/80070445</guid><author>zbw328</author><pubDate>Tue, 24 Apr 2018 21:03:09 +0800</pubDate><description><![CDATA[一、资料来源1.教材：★★★★数据结构与算法分析 (豆瓣)（经典之作，广为人知）★★★数据结构 (豆瓣)（严蔚敏的，就是国内大学常用的那本。严谨，伪代码不错。）★★大话数据结构 (豆瓣)（语言比较通俗。比第一本简单易懂。btw，作者程杰老师在知乎上也相当活跃）★★算法（第4版） (豆瓣)（图超多。比第一本简单易懂。）2.慕课：★★★★★浙江大学的：数据结构 - 网易云课堂（真的很棒。借雷军的一句广...]]></description><category></category></item><item><title><![CDATA[逻辑回归与支持向量机的选择]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/79867663</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/79867663</guid><author>zbw328</author><pubDate>Mon, 09 Apr 2018 15:50:34 +0800</pubDate><description><![CDATA[从逻辑回归模型，我们得到了支持向量机模型，在两者之间，我们应该如何选择呢？ 1、如果相较于 m 而言，n 要大许多，即训练集数据量不够支持我们训练一个复杂的非线性模型，我们选用逻辑回归模型或者不带核函数的支持向量机。2、如果 n 较小，而且 m 大小中等，例如 n 在 1-1000 之间，而 m 在 10-10000 之间，使用带高斯核函数的支持向量机。3、如果 n 较小，而 m 较大，例如 n ...]]></description><category></category></item><item><title><![CDATA[机器学习应用建议]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/79852896</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/79852896</guid><author>zbw328</author><pubDate>Sun, 08 Apr 2018 16:19:02 +0800</pubDate><description><![CDATA[一、假设我们需要用一个线性回归模型来预测房价，当我们运用训练好了的模型来预测未知数据的       时候发现有较大的误差，我们下一步可以做什么？1. 获得更多的训练实例——通常是有效的，但代价较大，下面的方法也可能有效，可考虑先采用下面的几种方法。2. 尝试减少特征的数量3. 尝试获得更多的特征4. 尝试增加二项式特征5. 尝试减少归一化程度λ6. 尝试增加归一化程度λ      我们不应该随机选...]]></description><category></category></item><item><title><![CDATA[分类问题中过拟合现象解决办法]]></title><link>https://blog.youkuaiyun.com/zbw328/article/details/79819706</link><guid>https://blog.youkuaiyun.com/zbw328/article/details/79819706</guid><author>zbw328</author><pubDate>Sun, 08 Apr 2018 10:58:19 +0800</pubDate><description><![CDATA[1、丢弃一些不能帮助我们正确预测的特征。     可以是手工选择保留哪些特征 或者使用一些模型选择的算法来帮忙（例如 PCA） 2、归一化。     保留所有的特征，但是减少参数的大小（magnitude）第一件要做的事是选择网络结构，即决定选择多少层以及决定每层分别有多少个单元。 第一层的单元数即我们训练集的特征数量。 最后一层的单元数是我们训练集的结果的类的数量。 如果隐藏层数大于 1，...]]></description><category></category></item></channel></rss>