kexinxin

摘要： 计算机视觉的研究领域 图像分类 语义分割 分类和定位 目标检测 实例分割 人脸识别 生成模型 风格迁移 物体跟踪 图像问答 阅读全文

摘要： EM算法与混合高斯模型 close all; clear; clc; %% Sample Generate N=5000; a_real =[3/10,5/10,2/10]; mu_real = [7,12;12,7;14,15]; cov_real(:,:,1) = [1,0;0,1]; cov_ 阅读全文

摘要： 分布式梯队下降 并行模型 模型并行（model parallelism）： 分布式系统中的不同机器（GPU/CPU等）负责网络模型的不同部分———例如，神经网络模型的不同网络层被分配到不同的机器，或者同一层内部道德不同参数被分配到不同机器。 数据并行（data parallelism）: 不同的机器 阅读全文

摘要： 从感知机到神经网络 感知机 感知器在20世纪五、六十年代由科学技术Frank Rosenblatt发明，其受到Warren McCulloch和Walter Pitts早期的工作的影响。今天，使用其他人工神经元模型更为普遍———在这本书中，以及更多现代的神经网络工作中，主要使用的是一种叫做S型神经元 阅读全文

摘要： 常见的聚类算法 1. K-Means(K均值)聚类 算法步骤： (1) 首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。 (2) 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。 (3 阅读全文

摘要： 随机采样 采样是根据某种分布去生成一些数据点。最基本的假设是认为我们可以获得服从均匀分布的随机数，再根据均匀分布生成复杂分布的采样。对于离散分布的采样，可以把概率分布向量看作一个区间段，然后判断u落在哪个区间段内。对于比较复杂的分布比如正态分布我们可以通过Box-Muller算法，实现对高斯分布的采 阅读全文

摘要： 变分自动编码器 自编码器 中间层的编码维度要远远小于输出数据，整个模型训练目标为最小化重建输入数据误差 标准自编码器面临的问题在于 自编玛器将输入数据转为隐空间中的表达式不是连续的，使得解码器对于存在于类别之间的区域无法进行解码，因此提出了变分自编码器 变分自编码器 变分自编码器的隐空间设计为连续的 阅读全文

摘要： 半监督学习 事实上，未标记样本虽然未直接包含标记信息，但若它们与有标记样本是从同样的数据源独立同分布采样而来，则它们所包含的关于数据分布的信息对建立模型将有很大的益。下图给出了一个直观的例子，若仅基于图中的一个正例和一个反例，则由于待判别样本恰位于两者正中间，大体上只能随机猜测；若能观察到图中的未标 阅读全文

摘要： tensorflow在各种环境下搭建与对比 由于有些训练是要长时间进行训练（几天），才能看出显著的结果，如果只是通过本地的计算机进行训练是不可能的。因此这周花了一些时间调研如何才能让神经网络长时间的进行运行，为以后训练网络提供可靠的运行环境。 Tensorflow部署的地方 优点 缺点 本地笔记本C 阅读全文

摘要： SVM用于线性回归 方法分析 在样本数据集（）中，不是简单的离散值，而是连续值。如在线性回归中，预测房价。与线性回归类型，目标函数是正则平方误差函数： 在SVM回归算法中，目的是训练出超平面，采用作为预测值。为了获得稀疏解，即计算超平面参数w,b不依靠所有样本数据，而是部分数据（如在SVM分类算法中 阅读全文