摘要：
一些公式： 对于随机变量X，它的期望可以表示为EX，下面看看它的方差怎么表示： DX ＝ E（X－EX）2 ＝ E（X2－2XEX +（EX）2） ＝ EX2 － （EX）2 所以当 EX＝0时，DX ＝ EX2 当随机变量X与随机变量Y相互独立时，我们有这样的结论： EXY ＝ EX * EY DXY = EX2EY2 –(EX)2(EY)2 D(X+Y) = DX + DY + ... 阅读全文
摘要：
由Andrew Zisserman 教授主导的 VGG 的 ILSVRC 的大赛中的卷积神经网络取得了很好的成绩，这篇文章详细说明了网络相关事宜。 文章主要干了点什么事呢？它就是在在用卷积神经网络下，在采用小的卷积核与小的移动步长的情况下，探索一下网络的深度对目标识别率的影响。 网络的大体结构 网络的输入为224*224的RGB图片，后面跟卷积层，卷积核的大小基本都为3*3有最小的可以保留图片... 阅读全文
摘要：
一点最重要的学习方法： 当你读一篇论文读不懂时，如果又读了两遍还是懵懵懂懂时怎么办？？？方法就是别自己死磕了，去百度一下，如果是很好的论文，大多数肯定已经有人读过并作为笔记了的，比如我现在就把我读过以后的收获记下来（我也看了好几篇前人的博文的）。。。百度没有去试试google吧。。。如何快速读懂读明白一篇文章也是一种能力，选择的方法往往大于努力的。 对于这篇论文，网上有很多写的好的总结，大家可... 阅读全文
摘要：
首先说明：在caffe/include/caffe中的 filer.hpp文件中有它的源文件，如果想看，可以看看哦，反正我是不想看，代码细节吧，现在不想知道太多，有个宏观的idea就可以啦，如果想看代码的具体的话，可以看：http://blog.csdn.net/xizero00/article/details/50921692，写的还是很不错的（不过有的地方的备注不对，不知道改过来了没）。 文件... 阅读全文
摘要：
什么是二维仿射呢变换呢？这么说的哈：在变换过程中，它保持了二维图形的“平直性”（即：直线经过变换之后依然是直线）和“平行性”（即：二维图形之间的相对位置关系保持不变，平行线依然是平行线，且直线上点的位置顺序不变）。如，旋转、平移、缩放、错切。我们来一个一个地看。 为了能实现平移操作，我们现在规定，我们都是在我们的二维坐标基础上再补充一个1，即由[x, y]T变为[x, y, 1]T. 缩放操作... 阅读全文
摘要：
首先说，这是我写的最烂的，因为我自己有一些也没有弄明白，强烈建议别看，强烈不建议看哦。。（我不暂时不想花太多时间去 搞它，因为我用不着它，如果用到它的时候到好好看看吧，我了解一下原理，一些细节 吧我有一些想不明白） 下面这是我的简单介绍与理解，或者理解的不够深。 这玩意的作用就是用于解决问题的吧，一切算法都要向解决的问题去靠，如果单純停留在数学分析上，很迷迷糊糊的哦。。所以，我们站在一定高度上去看... 阅读全文
摘要：
K-means算法很简单，它属于无监督学习算法中的聚类算法中的一种方法吧，利用欧式距离进行聚合啦。 解决的问题如图所示哈：有一堆没有标签的训练样本，并且它们可以潜在地分为K类，我们怎么把它们划分呢？ 那我们就用K－means算法进行划分吧。 算法很简单，这么做就可以啦： 第一步：随机初始化每种类别的中心点，u1,u2,u3,……，uk; 第二步：重复以下过程： 然后 ，就没有然后了... 阅读全文
摘要：
对于高斯混合模型是干什么的呢？它解决什么样的问题呢？它常用在非监督学习中，意思就是我们的训练样本集合只有数据，没有标签。 它用来解决这样的问题：我们有一堆的训练样本，这些样本可以一共分为K类，用z(i)表示。，但是具体样本属于哪类我们并不知道，现在我们需要建立一个模型来描述这个训练样本的分布。这时， 我们就可以用高斯混合模型来进行描述。 怎么入手呢？ 高斯混合模型： 我们这么想，因为样本集合潜... 阅读全文
摘要：
对于常见的分类算法，经常用到的都是判别学习算法，如 logistic二元分类器，还有softmax分类器等。它们都有一个共同的特点，那就是我们直接去求 p(y|x; θ）, 有时候也表示为 hθ(x)，这类方法的重点是去拟合参数θ。 还有一种算法：生成学习算法。它的中心思想是直接去求p(y|x; θ 阅读全文
摘要：
首先说明啊：logistic分类器是以Bernoulli（伯努利） 分布为模型建模的，它可以用来分两种类别；而softmax分类器以多项式分布（Multinomial Distribution）为模型建模的，它可以分多种互斥的类别。 补充： 什么是伯努利分布？伯努利分布[2] 是一种离散分布,有两种 阅读全文