gogogo11 - 博客园

2019年4月6日

摘要：经典的深度学习模型 + AlexNet(Error: 16%) + VGGNet(Error: 7%) VGG 16: conv3 64 conv3 64 maxpool conv3 128 conv3 128 maxpool conv3 256 conv3 256 conv3 256 maxpoo 阅读全文

posted @ 2019-04-06 10:47 gogogo11 阅读(497) 评论(0) 推荐(0)

人脸识别(基于Caffe)

摘要：人脸识别(基于Caffe, 来自tyd) 人脸识别(判断是否为人脸) LMDB(数据库, 为Caffe支持的分类数据源) + + + + + + 将人脸数据放到和`val/1`下 + 将非人脸数据放到和`val/0`下 + + + 拷贝Caffe自带的脚本根据上面的train.txt和val 阅读全文

posted @ 2019-04-06 10:46 gogogo11 阅读(2174) 评论(0) 推荐(0)

TensorFlow 笔记

摘要： TensorFlow API 使用规范 : 用于W与b等参数 : 用于超参数 : 用于数据 : 进行反向传播, 在优化的时候, 一定要 , run的是optimizer, 但是在测试查看损失或者准确率的时候, 要使用 , 不要进行优化 TensorFlow中主要是要保存的数据都是需要先转为Strin 阅读全文

posted @ 2019-04-06 10:44 gogogo11 阅读(599) 评论(0) 推荐(0)

2019年4月4日

Ubuntu 安装 Caffe

摘要： Caffe Caffe 安装(Python2 CPU版本) + 参考博文 "https://blog.csdn.net/pangyunsheng/article/details/79418896" + 安装环境 Ubuntu 16.04 STL Python 2.7(Caffe对Python3支持不阅读全文

posted @ 2019-04-04 18:03 gogogo11 阅读(662) 评论(0) 推荐(0)

2019年3月27日

数字图像处理

摘要：数字图像处理 + 图不仅仅指的是人可以看见的, 也包括人看不见的电磁波等, 某一些动物可以看见; 但是图像则将范围仅限在人可以看见的范围, "像"是人字旁 + 图像处理的应用 1. 修改老照片 2. 为图片上色 3. 目标识别 + 光信号(光强度是连续的) CMOS/CDD传感器上的感光二极管处理阅读全文

posted @ 2019-03-27 12:06 gogogo11 阅读(273) 评论(0) 推荐(0)

直方图均衡化

摘要：直方图均衡化阅读全文

posted @ 2019-03-27 12:05 gogogo11 阅读(396) 评论(0) 推荐(0)

神经网络深层网络实现

摘要：神经网络深层网络实现步骤 1. 随机初始化数据对于权重$W^{[l]}$, 一般采用$np.random.randn(l, l 1) \sqrt{{1\over{dimension\ of\ previous\ layer}}}$ 如果当前的$l$层的激活函数为$ReLU$, 则使用$He\ i 阅读全文

posted @ 2019-03-27 12:04 gogogo11 阅读(191) 评论(0) 推荐(0)

CNN理解与实现

摘要： CNN理解与实现组成部分 + Convolution Layer + Pool Layer: Max pooling layer Average pooling layer + Full Connected(FC) Layer 需要的函数注意 + 参数$W$, $b$和数据$X$它们的维度是一样阅读全文

posted @ 2019-03-27 12:04 gogogo11 阅读(518) 评论(0) 推荐(0)

2019年3月24日

Gradient Optimization

摘要： Gradient Optimization Gradient Descent + Batch Gradient Descent + Mini Batch Gradient Descent + Stochastic Gradient Descent Mini Batch Gradient Descen 阅读全文

posted @ 2019-03-24 19:08 gogogo11 阅读(218) 评论(0) 推荐(0)

2019年3月17日

Gradient descent and others

摘要： Batch gradient descent Procedure + 在循环中跌倒公式$\theta_j:=\theta_j \alpha{1\over{m}}\sum_{i=1}^m(h_{\theta}(x^{(i)}) y^{(i)})x_j^{(i)}$ + 只有迭代完所有的数据, 才更新$ 阅读全文

posted @ 2019-03-17 10:47 gogogo11 阅读(291) 评论(0) 推荐(0)

gogogo

公告