自挂逸夫楼

摘要： 这个东西其实很简单 比如我有n个点，我要将他们m类 那么我随机的先去m个点 对与途中的每个点，我计算他们与这m个点的距离 计算完之后，找距离最小的i，将这个点归为点i的那一类 这样我们就得到了m类 然后对于这m类，我们求每一类点的平均值 将这些平均值作为点，再做一次迭代 当迭代到一定次数之后，我们这 阅读全文

摘要： 通过支持向量机，我们可以发现 支持向量机能很好的将两个线性可分的样本分开 那么对于不是线性可分的样本，我们就要通过核函数去处理他了 也就是说，核函数的做用就是将线性不可分的样本，通过核函数印射到另外一个空间中 是样本变成线性可分的 那么常用的核函数有两种 一种是线性核函数 也就是直接x‘ = w * 阅读全文

摘要： 二分类，我们之前使用的激活函数是sigmoid 对于支持向量机来说我们使用的损失函数不同 最后那个1/2 theta^2是正则化项而已 那么为什么这个激活函数能做到大间距分类器呢 当我们训练到一定程度的时候，由于我们cost function 的特性 可以等于0 那么也就是说只剩下 也就是说在训练的 阅读全文

摘要： 出处：https://blog.csdn.net/wuaini_1314/article/details/79562400 线性最小二乘问题，我们可以通过理论推导可以得到其解析解，但是对于非线性最小二乘问题，则需要依赖迭代优化的方法，。 梯度下降主要是从一阶目标函数的一阶导推导而来的，形象点说，就是 阅读全文

摘要： SSD模型训练起来较为简单，所以最近用的也比较多 现在做一个完整的SSD模型解析，包括训练过程中遇到的各种坑的解决办法 先放一个被用烂了的图 模型说明 图片通过vgg16的conv4_3layer得到一个feature_map_1 对feature_map_1进行卷积，使用3*3的卷积核，再使用1* 阅读全文

摘要： 最近训练一个12层的cnn网络 参考了vgg和googlenets的思想，自己做了些微调 在有噪声的手写体识别上达到了98.59%的准确率 在训练时，前1000次，loss和acc就好像没有收敛一样 因为，神经网络太深，参数太多 我们要用更多时间去使网络提取到对应的参数 所以，一次训练到3k次以上之 阅读全文

摘要： 此网络用了一个网络 + 三个并联的网络 第一个网络，识别ACBDE 结构： 输入 32 × 32 × 1 第一层：16个5*5的卷积核，relu激活，maxpool池化 第二层：32个3*3的卷积核，relu激活，maxpool池化 第三层：64个3*3的卷积核，tanh激活，maxpool池化 输 阅读全文

摘要： 流程： 提取人脸特征点->人脸摆正->提取人脸->人脸替换->人脸倾斜->贴回去 前三个和后两个用别人的API就好 关键是做人脸替换 人脸替换： 训练人脸替换: 对于神经网络输出的图像X'我们要考虑四个东西 X'的内容，X'的风格，X'的亮度，X与X’的接近程度 那么就有四个loss_functio 阅读全文

摘要： 之前在看MTCNN P-net时一直不懂，为什么，我明明要的是人脸框数据 我还要去训练5个特征点和人脸识别 现在知道了 我们是利用5个特征点和人脸检测去加强人脸框数据的精度 相当于用与之相关的数据去提高前面几层网络的准确率 真的牛逼 阅读全文

摘要： 感觉这东西很厉害呀 比如我训练出了一个识别是不是猫的神经网络（A），这个网络做的很好 然后我现在想训练一个识别手写体的网络 但是我的模型做的比较差，因为我的数据量较小什么的 我可以把A的最后一层去掉，然后加上一层(b)使输出符合格式 resize我的手写体(X)使其适应输入 然后我用手写体的图片去训 阅读全文