博客园 - ☆Ronny丶
uuid:6cbd1ba2-f883-4c34-aed1-30dde64a3a3e;id=682448
2019-07-08T03:36:25Z
☆Ronny丶
https://www.cnblogs.com/ronny/
feed.cnblogs.com
https://www.cnblogs.com/ronny/p/8583755.html
MXNet的新接口Gluon - ☆Ronny丶
为什么要开发Gluon的接口 在MXNet中我们可以通过 模块来定义神经网络,并组通过 模块提供的一些上层API来简化整个训练过程。那MXNet为什么还要重新开发一套Python的API呢,是否是重复造轮子呢?答案是否定的,Gluon主要是学习了Keras、Pytorch等框架的优点,支持动态图(I
2018-03-16T09:41:00Z
2018-03-16T09:41:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】为什么要开发Gluon的接口 在MXNet中我们可以通过 模块来定义神经网络,并组通过 模块提供的一些上层API来简化整个训练过程。那MXNet为什么还要重新开发一套Python的API呢,是否是重复造轮子呢?答案是否定的,Gluon主要是学习了Keras、Pytorch等框架的优点,支持动态图(I <a href="https://www.cnblogs.com/ronny/p/8583755.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/8575041.html
将数据加载到网络 - ☆Ronny丶
训练一个机器学习深度学习模型一般可以简单概括为以下三个步骤: 准备数据 定义网络结构 训练 我们可以把整个过程用下面的一个Pipeline图例来表示。 其中的 就主要负责把数据按一定的格式 到深度学习网络的输入层上。不同的深度学习框架对为放进网络中的数据格式要求不一样。在MXNet中对于Module
2018-03-15T09:48:00Z
2018-03-15T09:48:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】训练一个机器学习深度学习模型一般可以简单概括为以下三个步骤: 准备数据 定义网络结构 训练 我们可以把整个过程用下面的一个Pipeline图例来表示。 其中的 就主要负责把数据按一定的格式 到深度学习网络的输入层上。不同的深度学习框架对为放进网络中的数据格式要求不一样。在MXNet中对于Module <a href="https://www.cnblogs.com/ronny/p/8575041.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/8571855.html
利用Module模块把构建的神经网络跑起来 - ☆Ronny丶
训练一个神经网络往往只需要简单的几步: 1. 准备训练数据 2. 初始化模型的参数 3. 模型向往计算与向后计算 4. 更新模型参数 5. 设置相关的checkpoint 如果上述的每个步骤都需要我们写Python的代码去一步步实现,未免显的繁琐,好在MXNet提供了Module模块来解决这个问题,
2018-03-15T01:51:00Z
2018-03-15T01:51:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】训练一个神经网络往往只需要简单的几步: 1. 准备训练数据 2. 初始化模型的参数 3. 模型向往计算与向后计算 4. 更新模型参数 5. 设置相关的checkpoint 如果上述的每个步骤都需要我们写Python的代码去一步步实现,未免显的繁琐,好在MXNet提供了Module模块来解决这个问题, <a href="https://www.cnblogs.com/ronny/p/8571855.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/8533071.html
使用Sybmol模块来构建神经网络 - ☆Ronny丶
符号编程 在 "之前的文章" ,我们介绍了NDArray模块,它是MXNet中处理数据的核心模块,我们可以使用NDArray完成非常丰富的数学运算。实际上,我们完全可以使用NDArray来定义神经网络,这种方式我们称它为 命令式的编程风格 ,它的优点是编写简单直接,方便调试。像下面我们就定义了一个两
2018-03-09T03:57:00Z
2018-03-09T03:57:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】符号编程 在 "之前的文章" ,我们介绍了NDArray模块,它是MXNet中处理数据的核心模块,我们可以使用NDArray完成非常丰富的数学运算。实际上,我们完全可以使用NDArray来定义神经网络,这种方式我们称它为 命令式的编程风格 ,它的优点是编写简单直接,方便调试。像下面我们就定义了一个两 <a href="https://www.cnblogs.com/ronny/p/8533071.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/8514194.html
使用MXNet的NDArray来处理数据 - ☆Ronny丶
"NDArray.ipynb" NDArray介绍 机器学习处理的对象是数据,数据一般是由外部传感器(sensors)采集,经过数字化后存储在计算机中,可能是文本、声音,图片、视频等不同形式。 这些数字化的数据最终会加载到内存进行各种清洗,运算操作。 几乎所有的机器学习算法都涉及到对数据的各种数学运
2018-03-06T06:29:00Z
2018-03-06T06:29:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】"NDArray.ipynb" NDArray介绍 机器学习处理的对象是数据,数据一般是由外部传感器(sensors)采集,经过数字化后存储在计算机中,可能是文本、声音,图片、视频等不同形式。 这些数字化的数据最终会加载到内存进行各种清洗,运算操作。 几乎所有的机器学习算法都涉及到对数据的各种数学运 <a href="https://www.cnblogs.com/ronny/p/8514194.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/8493981.html
在Docker容器中搭建MXNet/Gluon开发环境 - ☆Ronny丶
在这篇文章中没有直接使用MXNet官方提供的docker image,而是从一个干净的nvidia/cuda镜像开始,一步一步部署mxnet需要的相关软件环境,这样做是为了更加细致的了解mxnet的运行环境,方便后续我们更加灵活的去修改相关的配置。 1. 通过docker创建干净的系统环境 这里镜像
2018-03-02T08:38:00Z
2018-03-02T08:38:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】在这篇文章中没有直接使用MXNet官方提供的docker image,而是从一个干净的nvidia/cuda镜像开始,一步一步部署mxnet需要的相关软件环境,这样做是为了更加细致的了解mxnet的运行环境,方便后续我们更加灵活的去修改相关的配置。 1. 通过docker创建干净的系统环境 这里镜像 <a href="https://www.cnblogs.com/ronny/p/8493981.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/7789057.html
剖析Linux系统调用的执行路径 - ☆Ronny丶
本文主要描述了操作系统是如何通过系统调用这个接口为上层提供服务的。文章通过printf函数调用过程为例,详细剖析了系统调用是如何一层层由用户态深入到内核态的过程,同时涉及到Linux处理中断的一般流程。
2017-11-05T14:07:00Z
2017-11-05T14:07:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】本文主要描述了操作系统是如何通过系统调用这个接口为上层提供服务的。文章通过printf函数调用过程为例,详细剖析了系统调用是如何一层层由用户态深入到内核态的过程,同时涉及到Linux处理中断的一般流程。 <a href="https://www.cnblogs.com/ronny/p/7789057.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/7787259.html
计算机加电后操作系统启动过程 - ☆Ronny丶
本文主要介绍了计算机从加电开始到整个操作系统运行起来所经历的几个步骤,包括了BIOS启动模块、BootSect模块、Setup模块和System模块,详细了说明了每个模块的执行顺序和主要完成的任务。通过整个过程的梳理,可以对操作系统是如何在计算机作为第一个软件运行起来的有较清晰的认识。
2017-11-05T05:41:00Z
2017-11-05T05:41:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】本文主要介绍了计算机从加电开始到整个操作系统运行起来所经历的几个步骤,包括了BIOS启动模块、BootSect模块、Setup模块和System模块,详细了说明了每个模块的执行顺序和主要完成的任务。通过整个过程的梳理,可以对操作系统是如何在计算机作为第一个软件运行起来的有较清晰的认识。 <a href="https://www.cnblogs.com/ronny/p/7787259.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/7787105.html
什么是操作系统以及如何学习操作系统 - ☆Ronny丶
主要介绍了操作系统的一些核心概念与功能,从硬件管理代理的角度都看操作系统提供的功能,简述了操作系统的发展历史,并从三个层次说明了操作系统的不同层次要求,最后同时给出了一些操作系统知识资源。
2017-11-05T04:19:00Z
2017-11-05T04:19:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】主要介绍了操作系统的一些核心概念与功能,从硬件管理代理的角度都看操作系统提供的功能,简述了操作系统的发展历史,并从三个层次说明了操作系统的不同层次要求,最后同时给出了一些操作系统知识资源。 <a href="https://www.cnblogs.com/ronny/p/7787105.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4260167.html
图像局部特征点检测算法综述 - ☆Ronny丶
研究图像特征检测已经有一段时间了,图像特征检测的方法很多,又加上各种算法的变形,所以难以在短时间内全面的了解,只是对主流的特征检测算法的原理进行了学习。总体来说,图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性,不容易受外界环境的干扰,本篇文章也是对这方面知...
2015-01-30T07:04:00Z
2015-01-30T07:04:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】研究图像特征检测已经有一段时间了,图像特征检测的方法很多,又加上各种算法的变形,所以难以在短时间内全面的了解,只是对主流的特征检测算法的原理进行了学习。总体来说,图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性,不容易受外界环境的干扰,本篇文章也是对这方面知... <a href="https://www.cnblogs.com/ronny/p/4260167.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4083537.html
ORB特征点检测 - ☆Ronny丶
Oriented FAST and Rotated BRIEF www.cnblogs.com/ronny 这篇文章我们将介绍一种新的具有局部不变性的特征 —— ORB特征,从它的名字中可以看出它是对FAST特征点与BREIF特征描述子的一种结合与改进,这个算法是由Ethan Rublee,Vincent Rabaud,Kurt Konolige以及Gary R.Bradski在2011...
2014-11-08T09:40:00Z
2014-11-08T09:40:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】Oriented FAST and Rotated BRIEF www.cnblogs.com/ronny 这篇文章我们将介绍一种新的具有局部不变性的特征 —— ORB特征,从它的名字中可以看出它是对FAST特征点与BREIF特征描述子的一种结合与改进,这个算法是由Ethan Rublee,Vincent Rabaud,Kurt Konolige以及Gary R.Bradski在2011... <a href="https://www.cnblogs.com/ronny/p/4083537.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4081362.html
BRIEF 特征描述子 - ☆Ronny丶
Binary Robust Independent Elementary Features www.cnblogs.com/ronny 1. BRIEF的基本原理 我们已经知道SIFT特征采用了128维的特征描述子,由于描述子用的浮点数,所以它将会占用512 bytes的空间。类似地,对于SURF特征,常见的是64维的描述子,它也将占用256bytes的空间。如果一幅图像中有1000个特征点...
2014-11-07T07:45:00Z
2014-11-07T07:45:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】Binary Robust Independent Elementary Features www.cnblogs.com/ronny 1. BRIEF的基本原理 我们已经知道SIFT特征采用了128维的特征描述子,由于描述子用的浮点数,所以它将会占用512 bytes的空间。类似地,对于SURF特征,常见的是64维的描述子,它也将占用256bytes的空间。如果一幅图像中有1000个特征点... <a href="https://www.cnblogs.com/ronny/p/4081362.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4080442.html
ML 07、机器学习中的距离度量 - ☆Ronny丶
机器学习算法 原理、实现与实践 —— 距离的度量声明:本篇文章内容大部分转载于July于CSDN的文章:从K近邻算法、距离度量谈到KD树、SIFT+BBF算法,对内容格式与公式进行了重新整理。同时,文章中会有一些对知识点的个人理解和归纳补充,不代表原文章作者的意图。1. 欧氏距离欧氏距离是最常见的两...
2014-11-07T04:56:00Z
2014-11-07T04:56:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】机器学习算法 原理、实现与实践 —— 距离的度量声明:本篇文章内容大部分转载于July于CSDN的文章:从K近邻算法、距离度量谈到KD树、SIFT+BBF算法,对内容格式与公式进行了重新整理。同时,文章中会有一些对知识点的个人理解和归纳补充,不代表原文章作者的意图。1. 欧氏距离欧氏距离是最常见的两... <a href="https://www.cnblogs.com/ronny/p/4080442.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4078710.html
FAST特征点检测 - ☆Ronny丶
Features From Accelerated Segment Test 1. FAST算法原理 博客中已经介绍了很多图像特征检测算子,我们可以用LoG或者DoG检测图像中的Blobs(斑点检测),可以根据图像局部的自相关函数来求得Harris角点(Harris角点),后面又提到了两种十分优秀的
2014-11-06T07:35:00Z
2014-11-06T07:35:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】Features From Accelerated Segment Test 1. FAST算法原理 博客中已经介绍了很多图像特征检测算子,我们可以用LoG或者DoG检测图像中的Blobs(斑点检测),可以根据图像局部的自相关函数来求得Harris角点(Harris角点),后面又提到了两种十分优秀的 <a href="https://www.cnblogs.com/ronny/p/4078710.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4070635.html
ML 06、感知机 - ☆Ronny丶
机器学习算法 原理、实现与实践 —— 感知机感知机(perceptron)是二分类的线性分类模型,输入为特征向量,输出为实例的类别,取值+1和-1。感知机学习旨在求出将训练数据进行线性划分的分离超平面,为此,引入了基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,求得感知机模型。1. 感知机...
2014-11-03T04:36:00Z
2014-11-03T04:36:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】机器学习算法 原理、实现与实践 —— 感知机感知机(perceptron)是二分类的线性分类模型,输入为特征向量,输出为实例的类别,取值+1和-1。感知机学习旨在求出将训练数据进行线性划分的分离超平面,为此,引入了基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,求得感知机模型。1. 感知机... <a href="https://www.cnblogs.com/ronny/p/4070635.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4064625.html
ML 05、分类、标注与回归 - ☆Ronny丶
机器学习算法 原理、实现与实践 —— 分类、标注与回归1. 分类问题分类问题是监督学习的一个核心问题。在监督学习中,当输出变量$Y$取有限个离散值时,预测问题便成为分类问题。监督学习从数据中学习一个分类决策函数或分类模型,称为分类器(classifier)。分类器对新的输入进行输出的预测,这个过程称...
2014-10-31T04:51:00Z
2014-10-31T04:51:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】机器学习算法 原理、实现与实践 —— 分类、标注与回归1. 分类问题分类问题是监督学习的一个核心问题。在监督学习中,当输出变量$Y$取有限个离散值时,预测问题便成为分类问题。监督学习从数据中学习一个分类决策函数或分类模型,称为分类器(classifier)。分类器对新的输入进行输出的预测,这个过程称... <a href="https://www.cnblogs.com/ronny/p/4064625.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4063048.html
ML 04、模型评估与模型选择 - ☆Ronny丶
机器学习算法 原理、实现与实践——模型评估与模型选择1. 训练误差与测试误差机器学习的目的是使学习到的模型不仅对已知数据而且对未知数据都能有很好的预测能力。假设学习到的模型是$Y = \hat{f}(X)$,训练误差是模型$Y = \hat{f}(X)$关于训练数据集的平均损失:$$R_{emp}(...
2014-10-31T01:59:00Z
2014-10-31T01:59:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】机器学习算法 原理、实现与实践——模型评估与模型选择1. 训练误差与测试误差机器学习的目的是使学习到的模型不仅对已知数据而且对未知数据都能有很好的预测能力。假设学习到的模型是$Y = \hat{f}(X)$,训练误差是模型$Y = \hat{f}(X)$关于训练数据集的平均损失:$$R_{emp}(... <a href="https://www.cnblogs.com/ronny/p/4063048.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4062792.html
ML 03、机器学习的三要素 - ☆Ronny丶
机器学习算法原理、实现与实践——机器学习的三要素1 模型在监督学习中,模型就是所要学习的条件概率分布或决策函数。模型的假设空间包含所有可能的条件概率分布或决策函数。例如,假设决策函数是输入变量的线性函数,那么模型的假设空间就是这些线性函数构成的函数的集合。假设空间用$\mathcal{F}$表示。假...
2014-10-31T01:29:00Z
2014-10-31T01:29:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】机器学习算法原理、实现与实践——机器学习的三要素1 模型在监督学习中,模型就是所要学习的条件概率分布或决策函数。模型的假设空间包含所有可能的条件概率分布或决策函数。例如,假设决策函数是输入变量的线性函数,那么模型的假设空间就是这些线性函数构成的函数的集合。假设空间用$\mathcal{F}$表示。假... <a href="https://www.cnblogs.com/ronny/p/4062792.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4062764.html
ML 02、监督学习 - ☆Ronny丶
机器学习算法原理、实现与实践——监督学习机器学习包括监督学习、非监督学习、半监督学习及强化学习,这里先讨论监督学习。 监督学习的任务是学习一个模型,使模型能够对任意给定的输入,对其相应的输出做出一个好的预测。1 基本概念1.1 输入空间、特征空间与输出空间输入与输出所有可能取值的集合分别称为输入空间...
2014-10-31T01:28:00Z
2014-10-31T01:28:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】机器学习算法原理、实现与实践——监督学习机器学习包括监督学习、非监督学习、半监督学习及强化学习,这里先讨论监督学习。 监督学习的任务是学习一个模型,使模型能够对任意给定的输入,对其相应的输出做出一个好的预测。1 基本概念1.1 输入空间、特征空间与输出空间输入与输出所有可能取值的集合分别称为输入空间... <a href="https://www.cnblogs.com/ronny/p/4062764.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/ronny/p/4062658.html
ML 01、机器学习概论 - ☆Ronny丶
机器学习原理、实现与实践——机器学习概论如果一个系统能够通过执行某个过程改进它的性能,这就是学习。 ——— Herbert A. Simon1. 机器学习是什么计算机基于数据来构建概率统计模型并运用模型对数据进行预测与分析的一门学科。从上面的机器学习的定义中,我们可以了解到以下的信息:机器学习以计算...
2014-10-31T01:27:00Z
2014-10-31T01:27:00Z
☆Ronny丶
https://www.cnblogs.com/ronny/
【摘要】机器学习原理、实现与实践——机器学习概论如果一个系统能够通过执行某个过程改进它的性能,这就是学习。 ——— Herbert A. Simon1. 机器学习是什么计算机基于数据来构建概率统计模型并运用模型对数据进行预测与分析的一门学科。从上面的机器学习的定义中,我们可以了解到以下的信息:机器学习以计算... <a href="https://www.cnblogs.com/ronny/p/4062658.html" target="_blank">阅读全文</a>