- 博客(11)
- 收藏
- 关注
RSS订阅转载 支持向量机通俗导论（理解SVM的三层境界）
支持向量机通俗导论（理解SVM的三层境界）作者：July 。致谢：pluskid、白石、JerryLead。说明：本文最初写于2012年6月，而后不断反反复复修改&优化，修改次数达上百次，最后修改于2016年3月。前言 动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因
2016-11-03 16:33:59
754
转载 微软官方caffe之 matlab接口配置
前言按照微软的官方地址配置可能会出现一个问题caffe_.mexw64找不到引用模块问题，或者在matlab里面压根找不到caffe_这个函数，下面会提到这两个问题。还是按照步骤来吧【PS1】有GPU同样按照下述步骤，进行即可【PS2】文章在matlab2013a、matlab2014a、matlab2015b中配置成功，但是在高版本或者更低版本情况下可能会出现问题
2016-10-24 11:44:57
1329
4
转载 mnist实例编译之model的使用-classification
仿照cifar10的模型使用，本文对mnist的训练方式做了部分修改【注】本文caffe安装路径为E:\CaffeDev-GPU\caffe-master。请自行参考并修改相关路径(debug以及release参考你编译caffe时候采用的模式)第一步按照前面的model生成方法的前两步骤制作数据集，得到两个文件夹。并拷贝到E:\CaffeDev-GPU\caffe-mas
2016-10-24 11:03:59
2800
转载 mnist实例编译之model的使用-matlab
前言针对上一个caffe文章留下的matlab手写数字识别的问题，感谢caffe中文社区的 @ghgzh 的提示，原文请看：caffe中文社区第一步手写图片的制作方法我就不说了，直接把我自己画的几个数字放到云盘先：三通道图像以及转换所需代码：链接：http://pan.baidu.com/s/1gfqeCAR 密码：88kk转换后的灰度图像：链接：http:
2016-10-24 11:01:29
1268
转载 机器学习中的范数规则化之（一）L0、L1与L2范数、核范数与规则项参数选择
今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。 监督机器学习问题无非就是“minimizeyour error while re
2016-10-18 20:24:49
4021
转载 【caffe-Windows】cifar实例编译之model的生成
准备工作按照之前的教程，成功生成过caffe，并且编译整个caffe.sln项目工程，在\caffe-master\Build\x64\Debug生成了一堆exe文件，后面会使用到除了caffe.exe的另外一个exe【PS】很多VS安装过程中出现问题的，比如XX加载失败，XX未找到等，请自行寻找问题，很可能是原来的VS没卸载干净，或者VS版本缺少一些文件等导致。正常情况下
2016-10-18 12:04:03
335
转载 caffe+VS2013+Windows无GPU快速配置教程
前言首先来一波地址：happynear大神的第三方caffe：http://blog.youkuaiyun.com/happynear/article/details/45372231Neil Z大神的第三方caffe：https://initialneil.wordpress.com/2015/01/11/build-caffe-in-windows-with-visual-stud
2016-10-18 12:02:18
393
转载 前向神经网络算法原理
总体上来讲，神经网络的算法是比较复杂的，后面有非常精妙的数学原理，而且对这些数学方法，还需要证明其具有收敛性，所以很多神经网络的书籍，绝大部分都是一些数学模型介绍、推导和证明，对于非数学专业的我们来说，感沉像看天书一样。其实神经网络的精髓是将现实中的问题进行抽象，建立适合神经网络表示的模型，然后应用神经网络进行处理，不断调整优化网络结构和参数，直到最终达到满意的效果。所以成功应用神经网络，不需要太
2016-10-18 12:00:18
7368
转载 BP算法
BP算法是关于误差的反向传播算法，就是从输出层开始，将结果与预期结果相比较，求出误差，然后按照梯度最大下降方向，调整神经元的联接权值，然后依次逐层调整各层之间的连接权值，对于批量学习方式而言，不断重复上述过程，直到误差达到足够小时为止。对于输出层而言，我们可以直接使用在上一篇博文中关于感知器模型的算法，BP算法的难点在于，如何处理隐藏层，因为隐藏层没有正确的输出信息用来计算误差。下面我们将
2016-10-18 11:56:19
1466
转载 基于tensorflow的MNIST手写数字识别
基于tensorflow的MNIST手写数字识别（二）--入门篇一、卷积神经网络模型知识要点卷积卷积1、卷积2、池化3、全连接4、梯度下降法5、softmax本次就是用最简单的方法给大家讲解这些概念，因为具体的各种论文网上都有，连推导都有，所以本文主要就是给大家做个铺垫，如有错误请指正，相互学习共同进步。二、卷积神经网络讲解
2016-09-07 09:12:48
481
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人