随笔分类 -  机器学习

上一页 1 2 3 4 5 6 7 8 ··· 10 下一页
手推机器学习公式(一) —— BP 反向传播算法
摘要:方便起见,本文仅以三层的神经网络举例。f(⋅):表示激励函数xi:表示输入层;yj:表示中间的隐层; yj=f(netj)netj=∑i=0nvijxiok:表示输出层,dk 则表示期望输出; ok=f(netk)netk=∑j=0mwjkyjvij,wjk 分别... 阅读全文
posted @ 2017-03-02 19:12 未雨愁眸 阅读(826) 评论(0) 推荐(0)
手推机器学习公式(一) —— BP 反向传播算法
摘要:方便起见,本文仅以三层的神经网络举例。f(⋅):表示激励函数xi:表示输入层;yj:表示中间的隐层; yj=f(netj)netj=∑i=0nvijxiok:表示输出层,dk 则表示期望输出; ok=f(netk)netk=∑j=0mwjkyjvij,wjk 分别... 阅读全文
posted @ 2017-03-02 19:12 未雨愁眸 阅读(689) 评论(0) 推荐(0)
激励函数对比分析
摘要:机器学习基础(七)——sigmoid 函数的性质 机器学习基础(五十六)—— tanh、sign 与 softsign 深度学习基础(十二)—— ReLU vs PReLUsigmoid:单极性,连续,可导;tanh:双极性,连续,可导;注意 tanh(双曲正切函数)... 阅读全文
posted @ 2017-03-02 17:28 未雨愁眸 阅读(327) 评论(0) 推荐(0)
激励函数对比分析
摘要:机器学习基础(七)——sigmoid 函数的性质 机器学习基础(五十六)—— tanh、sign 与 softsign 深度学习基础(十二)—— ReLU vs PReLUsigmoid:单极性,连续,可导;tanh:双极性,连续,可导;注意 tanh(双曲正切函数)... 阅读全文
posted @ 2017-03-02 17:28 未雨愁眸 阅读(355) 评论(0) 推荐(0)
学习算法收敛条件的判断
摘要:prev_err = ...for j = 1:epoch 'epoch ' j ' / ' epoch for i = 1:N, ... end cur_err = if abs(cur_err - pre_err) < ... 阅读全文
posted @ 2017-03-01 18:26 未雨愁眸 阅读(176) 评论(0) 推荐(0)
学习算法收敛条件的判断
摘要:prev_err = ...for j = 1:epoch 'epoch ' j ' / ' epoch for i = 1:N, ... end cur_err = if abs(cur_err - pre_err) < ... 阅读全文
posted @ 2017-03-01 18:26 未雨愁眸 阅读(639) 评论(0) 推荐(0)
(单层)感知机学习规则
摘要:假设感知器采用的是与阈值转移函数相类似的符号转移函数,其表达式为:f(wTjx)=sgn(wTjx)={1,wTjx≥0−1,wTjx<0下标 j 表示的是不同的迭代次数。用于调整参数的学习信号,等于神经元期望输出与实际输出之差:r=dj−oj权值调整公式应为:Δwj... 阅读全文
posted @ 2017-03-01 18:16 未雨愁眸 阅读(386) 评论(0) 推荐(0)
(单层)感知机学习规则
摘要:假设感知器采用的是与阈值转移函数相类似的符号转移函数,其表达式为:f(wTjx)=sgn(wTjx)={1,wTjx≥0−1,wTjx<0下标 j 表示的是不同的迭代次数。用于调整参数的学习信号,等于神经元期望输出与实际输出之差:r=dj−oj权值调整公式应为:Δwj... 阅读全文
posted @ 2017-03-01 18:16 未雨愁眸 阅读(538) 评论(0) 推荐(0)
Windows下如何采用微软的Caffe配置Faster R-CNN
摘要:前言比较简单的一篇博客。https://github.com/microsoft/caffe 微软的Caffe以在Windows下编译简单而受到了很多人的喜爱(包括我),只用改改prop配置然后无脑重新生成就可以。今天配置了一下Faster R-CNN,还挺好用的。 ... 阅读全文
posted @ 2017-01-26 20:48 未雨愁眸 阅读(552) 评论(0) 推荐(0)
实战caffe多标签分类——汽车品牌与车辆外观(C++接口)[详细实现+数据集]
摘要:前言很多地方我们都需要用到多标签分类,比如一张图片,上面有只蓝猫,另一张图片上面有一只黄狗,那么我们要识别的时候,就可以采用多标签分类这一思想了。任务一是识别出这个到底是猫还是狗?(类型)任务二是识别出这是蓝还是黄?(颜色) 网上看了几篇教程,有讲的非常好的,也有... 阅读全文
posted @ 2017-01-20 17:41 未雨愁眸 阅读(668) 评论(0) 推荐(0)
机器学习: t-Stochastic Neighbor Embedding 降维算法 (二)
摘要:上一篇文章,我们介绍了SNE降维算法,SNE算法可以很好地保持数据的局部结构,该算法利用条件概率来衡量数据点之间的相似性,通过最小化条件概率 pj|i 与 pi|j 之间的 KL-divergence,将数据从高维空间映射到低维空间。Symmetric SNESNE算... 阅读全文
posted @ 2017-01-18 16:02 未雨愁眸 阅读(559) 评论(0) 推荐(0)
机器学习: t-Stochastic Neighbor Embedding 降维算法 (一)
摘要:Introduction在计算机视觉及机器学习领域,数据的可视化是非常重要的一个应用,一般我们处理的数据都是成百上千维的,但是我们知道,目前我们可以感知的数据维度最多只有三维,超出三维的数据是没有办法直接显示出来的,所以需要做降维的处理,数据的降维,简单来说就是将高维... 阅读全文
posted @ 2017-01-18 09:22 未雨愁眸 阅读(298) 评论(0) 推荐(0)
机器学习: 基于MRF和CNN的图像合成
摘要:前面我们介绍了基于卷积神经网络的图像风格迁移,利用一张content image 和 style image,可以让最终的图像既保留content image的基本结构,又能显示一定的style image的风格,今天我们介绍另外一篇类似的文章: Combining ... 阅读全文
posted @ 2017-01-16 10:53 未雨愁眸 阅读(704) 评论(0) 推荐(0)
机器学习:利用卷积神经网络实现图像风格迁移 (三)
摘要:前面介绍了利用卷积神经网络实现图像风格迁移的算法原理和基于TensroFlow 的代码实现,这篇博客对前面的代码做了一些改变,设置了一个 image resize 函数,这样可以处理任意size的 input image,而且我们尝试利用 L-BFGS 优化算法替代之... 阅读全文
posted @ 2017-01-13 16:36 未雨愁眸 阅读(1107) 评论(0) 推荐(0)
Logistic Regression 的简单推导
摘要:Logistic Regression 是一种 Generalized Linear Model(GLM),也即广义线性模型。1. LR 的基本假设LR 模型假设观测值 y 成立的对数几率(log-odds)能够表示为 K 重输入变量的线性组合:logP(x)1−... 阅读全文
posted @ 2017-01-10 16:53 未雨愁眸 阅读(170) 评论(0) 推荐(0)
Logistic Regression 的简单推导
摘要:Logistic Regression 是一种 Generalized Linear Model(GLM),也即广义线性模型。1. LR 的基本假设LR 模型假设观测值 y 成立的对数几率(log-odds)能够表示为 K 重输入变量的线性组合:logP(x)1−... 阅读全文
posted @ 2017-01-10 16:53 未雨愁眸 阅读(185) 评论(0) 推荐(0)
机器学习:利用卷积神经网络实现图像风格迁移 (二)
摘要:在上一篇博客里,我们介绍了利用卷积神经网络实现图像风格迁移的算法原理, 这篇文章,我们主要介绍基于TensorFlow的程序实现,为了实现以下程序,你需要安装 TensorFlow, Numpy, Scipy, 以及下载 VGG-19 model。参考来源: htt... 阅读全文
posted @ 2017-01-10 11:02 未雨愁眸 阅读(365) 评论(0) 推荐(0)
机器学习:利用卷积神经网络实现图像风格迁移 (一)
摘要:相信很多人都对之前大名鼎鼎的 Prisma 早有耳闻,Prisma 能够将一张普通的图像转换成各种艺术风格的图像,今天,我们将要介绍一下Prisma 这款软件背后的算法原理。就是发表于 2016 CVPR 一篇文章,“ Image Style Transfer Usi... 阅读全文
posted @ 2017-01-09 11:19 未雨愁眸 阅读(1053) 评论(0) 推荐(0)
强化学习
摘要:模型从一无所知,到成为该领域的专业人士,又凭借其强大的计算能力,远远地甩开人类该领域的顶尖大师,模型能够学习规则和行为在于其背后有一个“好老师”,这位老师的使命不是上课,告知机器该怎么做,而是对机器的行为(policy network)进行打分和评判(value ne... 阅读全文
posted @ 2017-01-06 23:50 未雨愁眸 阅读(192) 评论(0) 推荐(0)
强化学习
摘要:模型从一无所知,到成为该领域的专业人士,又凭借其强大的计算能力,远远地甩开人类该领域的顶尖大师,模型能够学习规则和行为在于其背后有一个“好老师”,这位老师的使命不是上课,告知机器该怎么做,而是对机器的行为(policy network)进行打分和评判(value ne... 阅读全文
posted @ 2017-01-06 23:50 未雨愁眸 阅读(130) 评论(0) 推荐(0)

上一页 1 2 3 4 5 6 7 8 ··· 10 下一页