随笔分类 - 机器学习
机器学习: Python with Recurrent Neural Network
摘要：之前我们介绍了Recurrent neural network (RNN) 的原理:http://blog.csdn.net/matrix_space/article/details/53374040http://blog.csdn.net/matrix_space/...
阅读全文
机器学习：DeepDreaming with TensorFlow (三)
摘要：我们看到，利用TensorFlow 和训练好的Googlenet 可以生成多尺度的pattern，那些pattern看起来比起单一通道的pattern你要更好，但是有一个问题就是多尺度的pattern里高频分量太多，显得图像的噪点很多，为了解决这个问题，可以进一步的引...
阅读全文
机器学习：DeepDreaming with TensorFlow (二)
摘要：在前面一篇博客里，我们介绍了利用TensorFlow 和训练好的 Googlenet 来生成简单的单一通道的pattern，接下来，我们要进一步生成更为有趣的一些pattern，之前的简单的pattern都是基于单一通道，单一尺度的，现在我们来试试多尺度下生成的pat...
阅读全文
机器学习: DeepDreaming with TensorFlow (一)
摘要：在TensorFlow 的官网上，有一个很有趣的教程，就是用 TensorFlow 以及训练好的深度卷积神经(GoogleNet)网络去生成一些有趣的pattern，通过这些pattern，可以更加深入的去了解神经网络到底学到了什么， 这个教程有四个主要部分： 1：简...
阅读全文
机器学习：深入理解LSTM网络 (二)
摘要：之前我们介绍了RNN 网络结构以及其所遇到的问题，RNN 结构对于关联度太长的时序问题可能无法处理， 简单来说，RNN对于太久远的信息不能有效地储存，为了解决这个问题，有人提出了LSTM的网络结构，LSTM 网络结构最早是由 Hochreiter & Schmidh...
阅读全文
机器学习：深入理解 LSTM 网络 (一)
摘要：Recurrent Neural NetworkLong Short Term Memory Networks (LSTMs) 最近获得越来越多的关注，与传统的前向神经网络 (feedforward network)不同，LSTM 可以对之前的输入有选择的记忆，从而有...
阅读全文
熵、交叉熵、相对熵（KL 散度）意义及其关系
摘要：熵：H(p)=−∑xp(x)logp(x)交叉熵：H(p,q)=−∑xp(x)logq(x)相对熵：KL(p∥q)=−∑xp(x)logq(x)p(x) 相对熵（relative entropy）也叫 KL 散度（KL divergence）；用来度量两分布之间的不相...
阅读全文
熵、交叉熵、相对熵（KL 散度）意义及其关系
摘要：熵：H(p)=−∑xp(x)logp(x)交叉熵：H(p,q)=−∑xp(x)logq(x)相对熵：KL(p∥q)=−∑xp(x)logq(x)p(x) 相对熵（relative entropy）也叫 KL 散度（KL divergence）；用来度量两分布之间的不相...
阅读全文
机器学习实战 Tricks
摘要：样本集的简单封装D = (numpy.random.randn(N, d), numpy.random.randint(low=0, high=2, size=(N, ))) # D[0] ⇒ X # D[1] ⇒ y1. One Hot Encoder ...
阅读全文
机器学习实战 Tricks
摘要：样本集的简单封装D = (numpy.random.randn(N, d), numpy.random.randint(low=0, high=2, size=(N, ))) # D[0] ⇒ X # D[1] ⇒ y1. One Hot Encoder ...
阅读全文
Domain adaptation：连接机器学习（Machine Learning）与迁移学习（Transfer Learning）
摘要：domain adaptation（域适配）是一个连接机器学习（machine learning）与迁移学习（transfer learning）的新领域。这一问题的提出在于从原始问题（对应一个 source data distribution）学习到的模型能够很好地...
阅读全文
Domain adaptation：连接机器学习（Machine Learning）与迁移学习（Transfer Learning）
摘要：domain adaptation（域适配）是一个连接机器学习（machine learning）与迁移学习（transfer learning）的新领域。这一问题的提出在于从原始问题（对应一个 source data distribution）学习到的模型能够很好地...
阅读全文
利用Matlab自带的深度学习工具进行车辆区域检测与车型识别【福利-内附源码与数据库】（一）
摘要：前言本此的博客详细记录了我使用Matlab进行车辆区域检测（R-CNN）与车型识别（AlexNet）的过程。并且内包含了训练数据集、测试数据集以及源码。 训练数据集是使用的斯坦福大学的一个车型数据库，内含196种不同的车型。写到这里我真的很想吐槽一下这个数据库里面的奥...
阅读全文
广告转化率预估算法研究
摘要：1. CTRCTR（Click-Through-Rate）即点击通过率，是互联网广告常用的术语，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数（严格的来说，可以是到达目标页面的数量）除以广告的展现量（Show c...
阅读全文
广告转化率预估算法研究
摘要：1. CTRCTR（Click-Through-Rate）即点击通过率，是互联网广告常用的术语，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数（严格的来说，可以是到达目标页面的数量）除以广告的展现量（Show c...
阅读全文
机器学习： Tensor Flow with CNN 做表情识别
摘要：我们利用 TensorFlow 构造 CNN 做表情识别，我们用的是FER-2013 这个数据库， 这个数据库一共有 35887 张人脸图像，这里只是做一个简单到仿真实验，为了计算方便，我们用其中到 30000张图像做训练，5000张图像做测试集，我们建立一个3个co...
阅读全文
非参贝叶斯（Bayesian Non-parameter）初步
摘要：0. motivations如何确定 GMM 模型的 k，既观察到的样本由多少个高斯分布生成。由此在数据属于高维空间中时，根本就无法 visualize，更加难以建立直观，从而很难确定 k，高斯分布分量的个数。
阅读全文
非参贝叶斯（Bayesian Non-parameter）初步
摘要：0. motivations如何确定 GMM 模型的 k，既观察到的样本由多少个高斯分布生成。由此在数据属于高维空间中时，根本就无法 visualize，更加难以建立直观，从而很难确定 k，高斯分布分量的个数。
阅读全文
OpenCV中基于HOG特征的行人检测
摘要：目前基于机器学习方法的行人检测的主流特征描述子之一是HOG（Histogram of Oriented Gradient, 方向梯度直方图）。HOG特征是用于目标检测的特征描述子,它通过计算和统计图像局部区域的梯度方向直方图来构成特征，用这些特征描述原始图像。HOG的...
阅读全文
OpenCV中基于Haar特征和级联分类器的人脸检测
摘要：使用机器学习的方法进行人脸检测的第一步需要训练人脸分类器，这是一个耗时耗力的过程，需要收集大量的正负样本，并且样本质量的好坏对结果影响巨大，如果样本没有处理好，再优秀的机器学习分类算法都是零。今年3月23日，微软公司在推特（Twitter）社交平台上推出了一个基于机器...
阅读全文
浙公网安备 33010602011771号