dl_007的博客

原创 吃瓜群众【第一章、序论】

第一章 序论1.1 基本术语数据集样本特征训练测试1.2 假设空间归纳，演绎1.3 归纳偏好奥卡姆剃刀原理第二章 模型评估与选择2.1 经验误差与过拟合精度（accuracy）= 1-错误率训练误差（经验误差）：学习器在训练集上的误差泛化误差：在新样本上的误差过拟合(overfitting)：学习器把训练样本学得"太好"欠拟合(underfitting)：对训练样本的一般性质尚未学好2.2 评估方法以测试集上的 测试误差 (testing error)作为泛化误差的

转载 linux命令备忘

一些记录：1，获取第10行数据：head -n 10 2017_08_28.log | tail -n 12，utf-8 转码 gbk：-f UTF-8 -t GB18030 file1 -o file2

原创 最长连续序列leetcode128

给定一个未排序的整数数组，找出最长连续序列的长度。要求算法的时间复杂度为 O(n)。示例:输入: [100, 4, 200, 1, 3, 2]输出: 4解释: 最长连续序列是 [1, 2, 3, 4]。它的长度为 4。class Solution: # @param num, a list of integer # @return an integer ...

转载 图像分割算法

图像分割的主要算法：1.基于阈值的分割方法2.基于边缘的分割方法3.基于区域的分割方法4.基于聚类分析的图像分割方法5.基于小波变换的分割方法6.基于数学形态学的分割方法7.基于人工神经网络的分割方法8.基于遗传学算法的分割方法 基于阈值的分割方法 阈值分割方法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰...

转载 直方图均衡化

直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。直方图均衡化的过程： 1）列出原始图像和变换后图像的灰度级（L是灰度级的个数）； 2）统计员图像中各灰度级的像素个数...

转载 边缘检测---Canny算子

http://www.cnblogs.com/techyan1990/p/7291771.html1.Canny边缘检测算法可以分为以下5个步骤：1)        使用高斯滤波器，以平滑图像，滤除噪声。2)        计算图像中每个像素点的梯度大小和方向。3)        应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。...

转载 LSTM结构

https://blog.csdn.net/gzj_1101/article/details/79376798

原创 CNN中计算问题

卷积：输入3通道，2个卷积核：对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！对多通道图像做1x1卷积，其实就是将输入图像于每个通道乘以卷积系数后加在一起，即相当于把原图像中本来各个独立的通道“联通”在了一起。1.卷积&池化后feature map大小输入尺...

转载 python装饰器

装饰器：https://www.zhihu.com/question/26930016/answer/99243411之前在python笔试的时候，经常会遇到@staticmethod、@classmethod和@property的用法和区别，这三个也是python的内置装饰器，所以再来总结下：@staticmethod、@classmethod和@property：htt...

原创 纵览轻量化卷积神经网络SqueezeNet，MobileNet，ShuffleNet

1. SqueezeNet具体如下图所示： Fire module 输入的 feature map 为 H*W*M 的，输出的 feature map 为 H*M*(e1+e3)，可以看到 feature map 的分辨率是不变的，变的仅是维数，也就是通道数，这一点和 VGG 的思想一致。SqueezeNet提出了3点网络结构设计策略：策略 1.将3x3卷积核替换为1x1卷...

转载 交叉熵 vs KL散度

交叉熵和KL散度信息熵H(X)可以看做，对X中的样本进行编码所需要的编码长度的期望值。这里可以引申出交叉熵的理解，现在有两个分布，真实分布p和非真实分布q，我们的样本来自真实分布p。按照真实分布p来编码样本所需的编码长度的期望为，这就是上面说的信息熵H( p )按照不真实分布q来编码样本所需的编码长度的期望为，这就是所谓的交叉熵H( p,q )这里引申出KL散度D(p||q) ...

原创 面试

mi括号匹配：# -*- coding: utf8 -*-# 符号表SYMBOLS = {'}': '{', ']': '[', ')': '(', '>': '<'}SYMBOLS_L, SYMBOLS_R = SYMBOLS.values(), SYMBOLS.keys()def check(s): arr = [] for c in s: ...

转载 机器学习 面经

https://www.cnblogs.com/zuochongyan/p/5407053.html

原创 子序列、子串

1.一维数组最大子序列和def foo(num_list): ''' 求数组中最大子序列的和，子序列必须连续 ''' length=len(num_list) max_value=-10000000000 tmp=0 for i in range(length): tmp=max(tmp+num_list[i], num...

转载 最大字体排版

import mathn = int(raw_input())# N P W Nfor i in range(n): x1 = raw_input().strip("\n").split(" ") x1 = map(int,x1) x2 = raw_input().strip("\n").split(" ") x2 = map(int,x2) ...

转载 YOLO系列

https://www.cnblogs.com/makefile/p/YOLOv3.html

转载 RCNN系列

https://www.cnblogs.com/skyfsm/p/6806246.htmlRCNN的处理流程是先提proposal，然后CNN提取特征，之后用SVM分类器，最后再做bbox regressionFast-RCNN中，作者巧妙的把bbox regression放进了神经网络内部，与region分类和并成为了一个multi-task模型R-CNN有一些相当大的缺点（把这...

原创 快排python

def quickSort(alist): quickSortHelper(alist,0,len(alist)-1) def quickSortHelper(alist,first,last): if first < last: splitpoint = partition(alist,first,last) quickSortHe...

原创 字符串编辑距离

'''两个字符串的编辑距离edit[i][j]表示A串从第0个字符开始到第i个字符和B串从第0个字符开始到第j个字符，这两个字串的编辑距离。字符串的下标从1开始。递推公式：'michaelab' 变成 'michaelxy'if b==y: d[i][j] = d[i-1][j-1]if b!=y: 添加：michaelaby michaelxy d[i][j] =...

原创 硬币问题python

# 如果我们有面值为1元、3元和5元的硬币若干枚，如何用最少的硬币凑够11元def select_coin(coin_value, total_value): min_coin_num = [0] for i in range(1, total_value + 1): min_coin_num.append(float('inf')) for v...

原创 堆排序python

def swap_param(L, i, j): #元素交换 L[i], L[j] = L[j], L[i] return Ldef heap_adjust(L, start, end): #调整堆 temp = L[start] i = start j = 2 * i while j <= end: if (j ...

原创 华为软件笔试

1.n=int(input())mn=[]for i in range(n): aa=[] for j in range(2): line=int(input()) aa.append(line) mn.append(aa)def Last(n, m): if not n or not m: ...

转载 python 数组+链表 归并排序

https://blog.csdn.net/m0_37324740/article/details/80762974归并排序是一种稳定的排序，采用分而治之策略，可以用于顺序储存结构，也易于在链表上实现。其原理如下图：    算法时间复杂度为  O（nlogn），空间复杂度为 O（n）。1 在数组上实现def mergesort(seq):      if len(seq)<=...

转载 随机森林 vs GBDT

https://blog.csdn.net/login_sonata/article/details/73929426一，随机森林随机森林是一个用随机方式建立的，包含多个决策树的集成分类器。其输出的类别由各个树投票而定（如果是回归树则取平均）。假设样本总数为n，每个样本的特征数为a，则随机森林的生成过程如下：从原始样本中采用有放回抽样的方法选取n个样本；对n个样本选取a个特征中的随机k...

原创 排序算法

1.快排容易理解版：def quicksort(array): if len(array) < 2: return array else: pivot = array[0] less = [i for i in array[1:] if i <= pivot] greater = [i for i...

转载 和为sum的方法数

题目描述给定一个有n个正整数的数组A和一个整数sum,求选择数组A中部分数字和为sum的方案数。当两种选取方案有一个数字的下标不一样,我们就认为是不同的组成方案。输入描述:输入为两行:第一行为两个正整数n(1 ≤ n ≤ 1000)，sum(1 ≤ sum ≤ 1000)第二行为n个正整数A[i](32位整数)，以空格隔开。输出描述:输出所求的方案数示例1...

转载 RoIPooling、RoIAlign

https://blog.csdn.net/wangyong1988/article/details/81064995一）、RoIPooling      这个可以在Faster RCNN中使用以便使生成的候选框region proposal映射产生固定大小的feature map      先贴出一张图，接着通过这图解释RoiPooling的工作原理      针对上图...

转载 两种“外积”--Outer Product和Exterior Product

http://ju.outofmemory.cn/entry/355459Outer Product是线性代数中的外积( WikiPedia: Outer Product )。也就是张量积 ：而Exterior Product是解析几何中的外积( WikiPedia: Exterior Algebra )，又叫叉乘( WikiPedia: Cross Product )。即两个向量的法...

转载 交叉熵 理解篇

关于交叉熵在loss函数中使用的理解https://blog.csdn.net/tsyccnh/article/details/79163834交叉熵（cross entropy）是深度学习中常用的一个概念，一般用来求目标与预测值之间的差距。以前做一些分类问题的时候，没有过多的注意，直接调用现成的库，用起来也比较方便。最近开始研究起对抗生成网络（GANs），用到了交叉熵，发现自己对交叉熵的...

转载 绕原点旋转矩阵

如下图所示：如图所示点v 绕 原点旋转θθ 角，得到点v’，假设 v点的坐标是(x, y) ，那么可以推导得到 v’点的坐标（x’, y’)(设原点到v的距离是r，原点到v点的向量与x轴的夹角是ϕϕ ) x=rcosϕy=rsinϕx=rcosϕy=rsinϕx′=rcos(θ+ϕ)y′=rsin(θ+ϕ)x′=rcos(θ+ϕ)y′=rsin(θ+ϕ)...

转载 动态规划-硬币问题

问题：如果我们有面值为1元、3元和5元的硬币若干枚，如何用最少的硬币凑够11元？ 动态规划的本质是将原问题分解为同性质的若干相同子结构，在求解最优值的过程中将子结构的最优值记录到一个表中以避免有时会有大量的重复计算。例如硬币组合问题，若求凑够11元的最少硬币数，可以先从凑够0元、1元、2元……的子结构开始分析。 假设d(i)为凑够i元所需最少硬币数，则d(0) = 0 　　...

转载 卷积 计算量

下面举例讲解 Standard convolution、depth-wise convolution 和 pointwise convolution。 假设输入的 feature map 是两个 5*5 的，即 5*5*2；输出 feature map 数量为 3，大小是 3*3（因为这里采用 3*3 卷积核）即 3*3*3。标准卷积是将一个卷积核（3*3）复制 M 份（M=2）, 让...

转载 BN

转载 逻辑回归

优点：一是逻辑回归的算法已经比较成熟，预测较为准确；二是模型求出的系数易于理解，便于解释，不属于黑盒模型，尤其在银行业，80%的预测是使用逻辑回归；三是结果是概率值，可以做ranking model；四是训练快。缺点：分类较多的y都不是很适用；对于自变量的多重共线性比较敏感，所以需要利用因子分析或聚类分析来选择代表性的自变量；另外预测结果呈现S型，两端概率变化小，中...

转载 边缘检测算子

如下边缘检测算子中，时间复杂度最高的是：C　　　　A、Sobel算子     B、Prewitt算子     C、Canny算子     D、Roberts算子　　　　（说明：常见边缘检测算子：Roberts 、Sobel 、Prewitt、Laplacian、Log/Marr、Canny、Kirsch、Nevitia　　　　　　　　　　　　一阶微分算子：Roberts 、Sobel ...

原创 函数值沿着梯度方向增加最快

沿着梯度方向的 "“方向导数是正”" 的,所以函数沿着这个方向变化是真正的普通意义下的增加,不可能减少.并且是增加最快的方向.这里的增长不是广义的增长.负梯度方向(和梯度方向相反的方向)是真的减少,并且是减少最快的方向....

转载 AUC的计算

 https://blog.csdn.net/qq_22238533/article/details/78666436

转载 两个矩形的交并比（IOU）计算方法

https://blog.csdn.net/qq_30490125/article/details/52887389

转载 5*5卷积核用2个3*3代替

 详细;https://blog.csdn.net/williamyi96/article/details/77531593?locationNum=7&fps=1

转载 一些题

1.仿射变换和投影变换的区别https://blog.csdn.net/u013698770/article/details/53707969两者的差异主要在于两个方面： 　　（1）是变换的原理不同，一个是仿射，一个是投影。 　　（2）是变换的平面不同，仿射变换后的物体和变换前的物体处于同一个平面。而投影变换后的物体和变换前的物体往往不在同一个平面。2.霍夫变换霍夫变换(Hou...