MR.xsc

摘要： 前言： 本节主要是练习regularization项的使用原则。因为在机器学习的一些模型中，如果模型的参数太多，而训练样本又太少的话，这样训练出来的模型很容易产生过拟合现象。因此在模型的损失函数中，需要对模型的参数进行“惩罚”，这样的话这些参数就不会太大，而越小的参数说明模型越简单，越简单的模型则越 阅读全文

摘要： 前言 一般的普通摄像机获取的是RGB彩色图像，在计算机视觉领域，很大一部分都是基于颜色图像来做处理的，取得了不少研究成果。最近几年的深度图研究给计算机视觉和图像处理带来了更多的信息，因为所获取的图像多了一个维度的，通常也称之为RGBD图。比较物美价廉的深度信息获取传感器有MS的Kinect，同时还有 阅读全文

摘要： 前言: 本文主要是来练习多变量线性回归问题(其实本文也就3个变量)，参考资料见网页：http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearning&doc=exercises/ex3/ex3.html 阅读全文

摘要： 前言 本文是多元线性回归的练习，这里练习的是最简单的二元线性回归，参考斯坦福大学的教学网http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearning&doc=exercises/ex2/ex2.ht 阅读全文

摘要： 前言: 最近打算稍微系统的学习下deep learing的一些理论知识，打算采用Andrew Ng的网页教程UFLDL Tutorial，据说这个教程写得浅显易懂，也不太长。不过在这这之前还是复习下machine learning的基础知识，见网页：http://openclassroom.stan 阅读全文

摘要： 感谢：http://topic.csdn.net/t/20050429/20/3976956.html 感谢：http://yzyanchao.blogbus.com/logs/47796444.html 不过那边是转载自《effective stl》。 std::vector很方便，但有时调用的函 阅读全文

摘要： FANN是一个比较简单的神经网络库，先占个位。 下载地址：https://github.com/libfann/fann 日后将在这个BLOG更新学习教程。 阅读全文

摘要： 波浪 【问题描述】 阿米巴和小强是好朋友。 阿米巴和小强在大海旁边看海水的波涛。小强第一次面对如此汹涌的海潮，他兴奋地叫个不停。而阿米巴则很淡定，他回想起曾经的那些日子，事业的起伏，情感的挫折……总之今天的风浪和曾经经历的那些风雨比起来，简直什么都不算。 于是，这对好朋友不可避免地产生了分歧。为了论证自己的观点，小强建立了一个模型。他海面抽象成一个1 到N的排列P[1… N ] 。定义波动强度等于相邻两项的差的绝对值的和，即： L = | P2 – P1| + | P3– P2| + … + | PN– PN -1| 给你一个N和M ，问：随机一个 1…N的排列，它的波动强度不小于M 的概率有 阅读全文

摘要： 优化算法入门系列文章目录（更新中）： 1. 模拟退火算法 2. 遗传算法一. 爬山算法 ( Hill Climbing ) 介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。 爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。图1二. 模拟退火(SA,Simulated Annealing)思想 爬山法是完完全全的贪心法，每次都鼠目寸光的.. 阅读全文

摘要： 1 #include <stdio.h> 2 #include <stdlib.h> 3 //author : pgdnxu@qq.com 4 5 struct NODE 6 { 7 NODE *left; 8 NODE *right; 9 NODE *pa; 10 int data; 11 }; 12 13 struct BST 14 { 15 NODE *root; 16 int nodenum; 17 }; 18 19 NODE *search(int data,NODE *n) 20 { 21 if(NU... 阅读全文