摘要：
近期运行一个python程序用到了moviepy.editor.VideoFileClip() moviepy基于ffmpeg，但是并不是pip安装的ffmepg， 执行 import imageio from moviepy.editor import VideoFileClip clip = V 阅读全文
摘要：
最新写了一个python脚本，另外在终端上运行一个shell脚本循环记录一些性能、耗时参数。取出记录的数据，使用python pyplot强大的绘图功能来可视化，易用程度仅次于matlab。 本次文件覆盖杯具前1秒的状态 sublime text 3 打开了plot.py 激活窗口不在sublime 阅读全文
摘要：
UFLDL深度学习笔记 （七）拓扑稀疏编码与矩阵化 主要思路 前面几篇所讲的都是围绕神经网络展开的，一个标志就是激活函数非线性；在前人的研究中，也存在线性激活函数的稀疏编码，该方法试图直接学习数据的特征集，利用与此特征集相应的基向量，将学习得到的特征集从特征空间转换到样本数据空间，这样可以用特征集重 阅读全文
摘要：
UFLDL深度学习笔记 （六）卷积神经网络 1. 主要思路 “ "UFLDL 卷积神经网络 " ”主要讲解了对大尺寸图像应用前面所讨论神经网络学习的方法，其中的变化有两条，第一，对大尺寸图像的每个小的patch矩阵应用相同的权值来计算隐藏层特征，称为 ；第二，对计算出来的特征矩阵做“减法”，把特征矩 阅读全文
摘要：
UFLDL深度学习笔记 （五）自编码线性解码器 1. 基本问题 在第一篇 "UFLDL深度学习笔记 （一）基本知识与稀疏自编码" 中讨论了激活函数为$sigmoid$函数的系数自编码网络，本文要讨论“ "UFLDL 线性解码器 " ”，区别在于输出层去掉了$sigmoid$，将计算值$z$直接作为输 阅读全文
摘要：
UFLDL深度学习笔记 （四）用于分类的深度网络 1. 主要思路 本文要讨论的“ "UFLDL 建立分类用深度网络 " ”基本原理基于前2节的 "softmax回归" 和 "无监督特征学习" ，区别在于使用更“深”的神经网络，也即网络中包含更多的隐藏层，我们知道前一篇“无监督特征学习”只有一层隐藏层 阅读全文
摘要：
UFLDL深度学习笔记 （三）无监督特征学习 1. 主题思路 “ "UFLDL 无监督特征学习" ”本节全称为 自我学习与无监督特征学习 ，和前一节 "softmax回归" 很类似，所以本篇笔记会比较简化，主题思路和步骤如下： 把有标签数据分为两份，先对一份原始数据做 "无监督的稀疏自编码" 训练， 阅读全文
摘要：
UFLDL深度学习笔记 （二）Softmax 回归 本文为学习“ "UFLDL Softmax回归" ”的笔记与代码实现，文中略过了对代价函数求偏导的过程，本篇笔记主要补充求偏导步骤的详细推导。 1. 详细推导softmax代价函数的梯度 经典的logistics回归是二分类问题，输入向量$ x^{ 阅读全文
摘要：
UFLDL深度学习笔记 （一）基本知识与稀疏自编码 前言 近来正在系统研究一下深度学习，作为新入门者，为了更好地理解、交流，准备把学习过程总结记录下来。最开始的规划是先学习理论推导；然后学习一两种开源框架；第三是进阶调优、加速技巧。越往后越要带着工作中的实际问题去做，而不能是空中楼阁式沉迷在理论资料 阅读全文