摘要：
在caffe源码目录下的examples下面有个 "web_demo" 演示代码,其使用python搭建了Flask web服务器进行ImageNet图像分类的演示。 首先安装python的依赖库： 接下来，修改源码，仅三个代码文件： app.py 这是主程序的入口 exifutil.py 辅助代码 阅读全文
posted @ 2017-09-17 21:32
康行天下
阅读(6438)
评论(2)
推荐(0)
摘要：
BING 论文《BING: Binarized Normed Gradients for Objectness Estimation at 300fps》 南开大学媒体计算实验室,CVPR2014 http://mmcheng.net/bing/comment page 9/ 论文翻译:http:/ 阅读全文
posted @ 2017-09-01 22:33
康行天下
阅读(2748)
评论(0)
推荐(0)
摘要：
本文介绍了非极大值抑制NMS 在目标检测中的应用,并介绍了NMS的改进算法Soft-NMS. 阅读全文
本文介绍了非极大值抑制NMS 在目标检测中的应用,并介绍了NMS的改进算法Soft-NMS. 阅读全文
posted @ 2017-08-26 15:25
康行天下
阅读(211195)
评论(32)
推荐(22)
摘要：
Darknet windows移植 代码地址: "https://github.com/makefile/darknet" 编译要求: VS2013 update5 及其之后的版本(低版本对C++标准支持较差) 配置opencv来显示图片结果,如果不配置OpenCV,则支持的图片类型较少,结果将直接 阅读全文
posted @ 2017-08-21 21:40
康行天下
阅读(8006)
评论(0)
推荐(0)
摘要：
点到判决面的距离 点$x_0$到决策面$g(x)= w^Tx+w_0$的距离：$r={g(x)\over \|w\|}$ 广义线性判别函数 因任何非线性函数都可以通过级数展开转化为多项式函数（逼近），所以任何非线性判别函数都可以转化为广义线性判别函数。 Fisher LDA(线性判别分析) Fish 阅读全文
posted @ 2017-07-09 21:22
康行天下
阅读(1075)
评论(0)
推荐(0)
摘要：
支持向量机就是使用了核函数的软间隔线性分类法，SVM可用于分类、回归和异常值检测（聚类）任务。“机”在机器学习领域通常是指算法,支持向量是指能够影响决策的变量。 示意图如下（绿线为分类平面，红色和蓝色的点为支持向量）： SVM原理 由逻辑回归引入[^course] 逻辑回归是从特征中学习出一个二分类 阅读全文
posted @ 2017-07-02 21:00
康行天下
阅读(3408)
评论(8)
推荐(0)
摘要：
明氏距离(Minkowski Distance) $$ d(x,y)=(\sum_{k=1}^n|x_k y_k|^s)^{1\over s} $$ s越大,某一维上的较大差异对最终差值的影响也越大. s=1, 曼哈顿距离 s=2, 欧式距离 s=∞,上确界距离(Supermum Distance) 阅读全文
posted @ 2017-07-01 23:43
康行天下
阅读(5586)
评论(0)
推荐(0)
摘要：
使用普通集合来判断一个元素是否已存在于集合中，需要占用比较大的空间。而使用Bloom Filter 可有效节省空间。 Bloom Filter 以较少的内存占用及较小的误判率达到判断元素是否存已经加入集合中的目的。Bloom Filter是一种空间效率很高的随机数据结构,可以被看作是对位图的扩展. 阅读全文
posted @ 2017-06-26 11:17
康行天下
阅读(363)
评论(0)
推荐(0)
摘要：
本篇内容包括划分聚类方法中的k-means、k-means++，基于密度的DBSCAN以及层次聚类等聚类方法。
阅读全文
本篇内容包括划分聚类方法中的k-means、k-means++，基于密度的DBSCAN以及层次聚类等聚类方法。
阅读全文
posted @ 2017-04-12 22:14
康行天下
阅读(3924)
评论(0)
推荐(2)
摘要：
最大流 最大流在货物运输,设施选址问题中可能被用到. G=(V,E)是一个连通的有向图,满足以下限制: 容量限制:每条边(u,v)有容量限制c,且不存在反向平行的边(v,u). 流量守恒:流入一个点的等于流出改点的流量. :给定一个流网络,一个源结点,一个汇点,找出从源结点可以流出的最大的流. 实际 阅读全文
posted @ 2017-04-10 11:09
康行天下
阅读(2188)
评论(0)
推荐(0)
摘要：
权重初始化 模型权重的初始化对于网络的训练很重要, 不好的初始化参数会导致梯度传播问题, 降低训练速度; 而好的初始化参数, 能够加速收敛, 并且更可能找到较优解. 如果权重一开始很小，信号到达最后也会很小；如果权重一开始很大，信号到达最后也会很大。不合适的权重初始化会使得隐藏层的输入的方差过大,从 阅读全文
posted @ 2017-03-01 22:18
康行天下
阅读(18325)
评论(1)
推荐(0)
摘要：
目录 "PCA思想" "问题形式化表述" "PCA之协方差矩阵" "协方差定义" "矩阵 特征值" "PCA运算步骤" "PCA理论解释" "最大方差理论" "性质" "参数k的选取" "数据重建" "主观理解" "应用" "代码示例" PCA思想 PCA主要用于数据降维,是一种无监督学习方法。主成 阅读全文
posted @ 2017-02-25 20:17
康行天下
阅读(5663)
评论(0)
推荐(0)
摘要：
神经网络中使用激活函数来加入非线性因素，提高模型的表达能力。
本文对ReLU及其变种,Swish,Maxout,Sigmoid等做了介绍. 阅读全文
posted @ 2017-02-18 13:26
康行天下
阅读(111497)
评论(10)
推荐(22)
摘要：
监督学习中通常通过对损失函数最优化（最小化）来学习模型。 本文介绍了几种损失函数和正则化项以及正则化对模型的影响。 损失函数 损失函数度量模型一次预测的好坏，风险函数度量平均意义下模型预测的好坏。 模型的输入输出是随机变量(X,Y)遵循联合分布P(X,Y),损失函数的期望是： \[ R_{exp}( 阅读全文
posted @ 2017-02-17 20:47
康行天下
阅读(8305)
评论(1)
推荐(1)
摘要：
Linux下md5sum命令可以直接计算标准输入的hash值,使用方式为 echo n '123456' | md5sum 注意给echo加上 n表示在尾部不加换行 命令行示例 对比其它工具的结果 如果对结果没把握或没有md5sum工具,可以使用网上公开的在线计算器或者使用如下的python代码: 阅读全文
posted @ 2017-01-08 16:25
康行天下
阅读(807)
评论(0)
推荐(0)
摘要：
问题描述：休眠后进行唤醒时一直黑屏或内核错误。经历如下： 在笔记本上添加了固态硬盘后直接将机械硬盘上的系统拷贝到固态盘中使用，设置了swap分区，在唤醒时内核报告ext4文件系统错误。 在 "lilydjwg博客" 中看到关于swap分区改变对唤醒的影响。参考 "这个链接" 的方法。原来有个配置文件 阅读全文
posted @ 2016-12-05 12:28
康行天下
阅读(863)
评论(0)
推荐(0)
摘要：
本文介绍了awk命令（脚本语言）的基础使用方法。 阅读全文
posted @ 2016-12-04 22:01
康行天下
阅读(1443)
评论(0)
推荐(0)
摘要：
SeetaFace简介 SeetaFace依赖于OpenCV,对于Tegra on Ubuntu,Nvidia提供libopencv4tegra并且可以使用Cuda加速。 准备工作 1.阅读OpenCV4Tegra README.txt，下载对应板子版本的cuda与libopencv4tegra的r 阅读全文
posted @ 2016-11-21 11:14
康行天下
阅读(2628)
评论(0)
推荐(0)
摘要：
My wine life like windows 本篇内容涉及 、`微信 Office`在wine中的使用配置. QQ 到deepin "下载轻聊版" 。 如果安装了crossover，那么将其中opt/cxoffice/support下的文件夹解压到/opt/cxoffice/support下， 阅读全文
posted @ 2016-11-18 22:44
康行天下
阅读(29989)
评论(0)
推荐(0)
摘要：
00.SeetaFace简介 SeetaFace Engine is an open source C++ face recognition engine, which can run on CPU with no third party dependence. It contains three 阅读全文
posted @ 2016-11-13 21:00
康行天下
阅读(3501)
评论(0)
推荐(0)
浙公网安备 33010602011771号
