随笔分类 - 计算机视觉（深度学习）
摘要：引自： https://zxth93.github.io/2017/09/27/KL散度JS散度Wasserstein距离/ 1. KL散度 KL散度又称为相对熵，信息散度，信息增益。KL散度是是两个概率分布P和Q 差别的非对称性的度量。 KL散度是用来 度量使用基于Q的编码来编码来自P的样本平均所
阅读全文
摘要：引自：https://www.freesion.com/article/6203385847/ BD-RATE计算原理 标签： H.26X研究 视频编解码 算法 计算机视觉 目录 BD-rate介绍 VB程序分析 使用方法 参考文献 BD-RATE介绍 BD-rate是评价视频编码算法性能的主要参数
阅读全文
摘要：引自：https://www.cnblogs.com/pjl1119/p/9914861.html H264视频压缩算法现在无疑是所有视频压缩技术中使用最广泛，最流行的。随着 x264/openh264以及ffmpeg等开源库的推出， 大多数使用者无需再对H264的细节做过多的研究，这大降低了人们使
阅读全文
摘要：引自：https://www.jianshu.com/p/53bffd95d6f5 使用正确的评价指标 如ROC-AUC。 重新采样训练集 欠采样 常常当数据量足够多时使用这个方法。通过在多数类样本中随机选择和少数类样本相同数量的样本。 可多次放回地抽取不同的训练集，训练不同的分类器进行组合，会减少
阅读全文
摘要：1、GBDT是机器学习算法，而XGBoost是算法的工程实现 2、使用CART作为基分类器时，XGBoost显式的加入了正则项来控制模型的复杂度，防止过拟合，提高了模型 的泛化能力 3、GBDT只使用了代价函数的一阶导数信息，而XGBoost对代价函数进行二阶泰勒展开，同时使用一阶和二阶信息。 4、
阅读全文
摘要：随机森林和GBDT的区别 随机森林采用的bagging思想，而GBDT采用的boosting思想。这两种方法都是Bootstrap思想的应用，Bootstrap是一种有放回的抽样方法思想。虽然都是有放回的抽样，但二者的区别在于：Bagging采用有放回的均匀取样，而Boosting根据错误率来取样（
阅读全文
摘要：引自：https://www.cnblogs.com/xiaorui111/p/10907224.html 一.预处理的作用 在机器学习任务中，学习器都会对数据有一定的要求，比如在最近邻算法中，我需要寻找与中心点最近邻的点，假设我们使用欧式距离度量，如果有一个属性值是千万量级，而另一个属性是100以
阅读全文
摘要：引自：https://www.cnblogs.com/jinruoyanxu/p/11487575.html 在人工智能领域，机器学习属于其中的一种方法，而神经网络是机器学习里的一种算法。 神经网络一般有输入层->隐藏层->输出层，一般来说隐藏层大于2的神经网络就叫做深度神经网络，深度学习就是采用像
阅读全文
摘要：ResNet结构 它使用了一种连接方式叫做“shortcut connection”，顾名思义，shortcut就是“抄近道”的意思，看下图我们就能大致理解： 图1 Shortcut Connection 这是文章里面的图，我们可以看到一个“弯弯的弧线“这个就是所谓的”shortcut connec
阅读全文
摘要：引自：https://blog.csdn.net/u013289254/article/details/99690730 一. 本文的内容包括： 1. Batch Normalization，其论文：https://arxiv.org/pdf/1502.03167.pdf 2. Layer Norm
阅读全文
摘要：引自：https://blog.csdn.net/ABCDEFG0929/article/details/87103772 一、协同过滤算法的原理及实现 二、基于物品的协同过滤算法详解 一、协同过滤算法的原理及实现 协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过
阅读全文
摘要：引自：https://www.cnblogs.com/lvjincheng/p/11361461.html 题目1-10 如何在半径为1的圆中随机选取一点？ 一根木棒，截成三截，组成三角形的概率是多少？ 抛一个六面的色子，连续抛直到抛到6为止，问期望的抛的次数是多少。 一个木桶里面有M个白球，每分钟
阅读全文
摘要：引自：https://blog.csdn.net/luoxuexiong/article/details/90412213 Adam优化算法是一种对随机梯度下降法的扩展，最近在计算机视觉和自然语言处理中广泛应用于深度学习应用。在引入该算法时，OpenAI的Diederik Kingma和多伦多大学的
阅读全文
摘要：1、非监督学习主要包括两大类学习方法：数据聚类和特征变量关联。聚类是通过多次迭代来找到数据的最优的分割，特征变量关联则是利用各种相关性分析方法来找到变量之间的关系。 分类：类别已知 聚类：是在不知道不知道类别标签的情况下，通过数据之间的内在关系，把样本分为若干类别，使得同类别样本之间的相似度高，不同
阅读全文
摘要：引自：https://www.cnblogs.com/zhoubindut/p/12142186.html 上篇文章中，我们就机器学习的相关基础概念进行了阐述，包括机器学习的基本概念以及机器学习的分类。不了解的童鞋可以看一下补补课,机器学习系列（一）——基础概念及分类。分类和回归问题作为典型的机器学
阅读全文
摘要：1、常见的降维的方法有：主成分分析，线性判别分析，等距映射，局部线性插入，拉不拉斯特征映射，局部保留投影。 一、PCA: 2、:主成分分析法，最经典的降维的方法，是一种线性，非监督，全局的降维方法。 最大方差理论： 3、PCA旨在找到数据中的主成分，用这些主成分表征原始数据，达到降维的目的。信号具有
阅读全文
摘要：深度学习中常用的优化器简介 引自：https://www.cnblogs.com/crackpotisback/p/9921931.html
阅读全文
摘要：引自：https://blog.csdn.net/qq_25737169/article/details/78847691
阅读全文
摘要：引自：https://www.seotest.cn/jishu/36125.html BN被广泛应用于深度学习的各个地方，由于在实习过程中需要修改网络，修改的网络在训练过程中无法收敛，就添加了BN层进去来替换掉LRN层，网络可以收敛。现在就讲一下Batch Normalization的工作原理。 B
阅读全文
浙公网安备 33010602011771号