自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+

鬼刀

未来势不可挡

  • 博客(215)
  • 资源 (19)
  • 收藏
  • 关注

原创 ubuntu16.04下使用YOLOV3训练自己做的VOC数据集(VOC数据集制作+模型训练步骤+训练参数解析和问题解决+训练日志可视化(loss、IOU)+模型测试(单张、摄像头、批量测试))

前序1、环境配置 请自行参考其他博客 本机环境 ubuntu16.04 python3 英伟达显卡驱动:nvidia-396 OpenCV3.4.5 CUDNN7.0.5 CUDA9.0 2、ubuntu16....

2019-04-30 11:22:39 8115 19

原创 查看线程的状态信息

1.调度策略sched.h文件中定义了几种调度策略/* Scheduling algorithms. */#define SCHED_OTHER 0 //非实时调度,分时调度#define SCHED_FIFO 1 //实时调度,先到先服务#define SCHED_RR 2 //实时调度,基于时间片轮转2. 查看线程亲和性命令: cat /proc/PID/task/TID/statusmore status Name: rsyslogdState:

2022-01-05 10:55:54 1509

原创 Linux下读取24位BMP图像出错

原始图像: 24位BMP图像 图像大小484*484 #include <stdio.h>#include <stdlib.h>#include<malloc.h>#include <pthread.h>#include <sys/shm.h>#include<sys/types.h>#include<sys/ipc.h>#include<unistd....

2020-06-01 10:47:10 1237

原创 win10+ubuntu16.04双系统下重装ubuntu并安装显卡驱动、CUDA10.0、CUDNN7.6

1、win10+ubuntu16.04双系统下重装ubuntu参考博客:https://blog.csdn.net/Spacegene/article/details/86659349出现的问题1、安装ubuntu16.04卡在logo界面 解决方法:https://blog.csdn.net/qq_41381395/article/details/87391678...

2020-01-03 23:16:50 574

原创 OpenCV4.2.0——下载、DNN模块性能测试、DNN模块支持CUDA加速

OpenCV4.2.0的DNN模块终于支持CUDA加速了OpenCV4.2.0下载地址: 1、网址:https://github.com/opencv/opencv/releases ...

2019-12-23 21:21:15 6669 1

原创 C++软件开发工程师面试资料(C++语法知识点、数据库知识点、计算机网络知识点)

本人秋招准备的C++面试知识点,希望对各位有点帮助!!!!!!!!!!!!!!!下载地址:面试资料

2019-11-23 19:35:21 308

原创 python matplotlib 中如何显示中文字符

永久解决办法第一步:下载字体:msyh.ttf (微软雅黑)1> 放在系统字体文件夹下: /usr/share/fonts2> 同时也复制了放在matplotlib的字体文件夹:/usr/local/...

2019-11-15 09:47:19 2921

原创 庆祝一下访问量破10万,接下来学习、工作,不断更博客

2019-11-12 01:31:47 197

原创 《动手学深度学习》PDF 开源了(全中文,支持 Jupyter 运行) ——PyTorch 版

李沐,亚马逊 AI 主任科学家,名声在外!半年前,由李沐、Aston Zhang 等人合力打造的《动手学深度学习》正式上线,免费供大家阅读。这是一本面向中文读者的能运行、可讨论的深度学习教科书!李沐的这本《动手学深度学习》也是使用 MXNet 框架写成的。但是很多入坑机器学习的萌新们使用的却是 PyTorch。如果有教材对应的 PyTorch 实现代码就更好了!撒花,...

2019-11-07 10:03:54 5081

原创 MFC中滚动条slider和编辑框edit的联动

参考博客https://blog.csdn.net/youyouwoxin0/article/details/7171097

2019-11-05 00:55:00 730

原创 CVPR、ICCV、ECCV 2017-2019论文汇总

1、CVPR2019 录用论文清单 清单 论文开源代码合集 开源代码 CVPR 2019 论文汇总(按方向进行论文划分)链接 2018 录用论文清单清单 百度网盘下载 百度云 密码:6pgk 2017 论文百度网盘下载百度云 密码:hnzg 2、ICCV2019 录用清单 清单 百度网盘下载 百度云...

2019-10-28 13:02:39 6227 1

原创 英特尔 OpenVINO 学习

1、如何编译OpenCV4.1.0支持OpenVINO推断引擎加速支持 链接2、黑科技 | 英特尔发布边缘计算加速框架最新版本 | OpenVINO 2019R02 链接3、英特尔 OpenVINO深度学习推理框架 开发技术系列文章汇总 链接...

2019-10-28 11:39:02 701

原创 Anchor-free的目标检测网络汇总

1、文章汇总 CornerNet CornerNet: Keypoint Triplets for Object Detection https://arxiv.org/pdf/1808.01244.pdf ExtremeNet Bottom-up Object Detection by Grouping Extreme and Center Points https://...

2019-10-28 11:32:09 1498

原创 纪念2019 1024

1024快乐!

2019-10-24 11:40:55 11892

原创 OpenCV中的minAreaRect函数中的角度的计算规则

minAreaRect的角度的计算我们都知道minAreaRect()返回的是包含轮廓的最小斜矩形(有方向的)。那么这个斜矩形的方向怎么计算出来的,它的取值是多少?通过官方文档得知它的角度是在(-90,0)之间的,在opencv上图片的圆点是在左上角的,所以它是逆时针旋转的,故此它的角度是小与0的。逆时针旋转第一条边与x轴的夹角就是矩阵的旋转角度。如图:矩阵的旋转角度是与矩阵...

2019-10-06 10:15:55 3184 3

原创 YOLO V3 重构image.c detector.c demo.c以及如何使用使用OpenCV中的类型和功能

1、detector.c#include "network.h"#include "region_layer.h"#include "cost_layer.h"#include "utils.h"#include "parser.h"#include "box.h"#include "demo.h"#include "option_list.h" #ifdef OPENCV...

2019-09-27 22:29:47 1428 1

原创 yolov3 裁剪识别的目标,并将剪裁的目标图片保存到本地

1 image.h中加入函数声明void save_cut_image(int px, int py, int ph, int pw, int no, image m_img, char **names, float cut_pro, int the_class);2 image.c中加入如下函数定义void save_cut_image(int px, int py, int ...

2019-09-27 22:22:21 5069 19

原创 鼠标在图片上画矩形(ROI)区域并保存ROI区域

#include <iostream>#include "opencv2/core/core.hpp"#include "opencv2/imgproc/imgproc.hpp"#include "opencv2/highgui/highgui.hpp"using namespace std;using namespace cv;bool draw;Mat src;...

2019-09-27 15:52:01 2300

原创 2019.9.7网易互娱——游戏研发笔试

1、第一题 AC#include<iostream>#include<string>#include<vector>#include<algorithm>using namespace std;int main(){ int T; cin >> T; vector<int> num(T); ve...

2019-09-07 21:52:47 615

转载 MySQL经典面试题

原文链接:http://bbs.51cto.com/thread-1470880-1.html1、MySQL的复制原理以及流程基本原理流程,3个线程以及之间的关联;1. 主:binlog线程——记录下所有改变了数据库数据的语句,放进master上的binlog中;2. 从:io线程——在使用start slave 之后,负责从master上拉取 binlog 内容,放进 自己的re...

2019-08-31 20:47:08 264

转载 Python中if __name__ == "__main__"解析

python文件的后缀名是.py,python文件既可以用来直接执行,也可以作为模块被导入。我们在使用python时经常会看到if name == ‘main‘:这样一个句子,这是什么呢?其中name是模块的内置属性,而这个内置属性的值取决于这个.py文件的使用方式,即你是作为模块导入还是直接执行。如果你是直接执行,那么这个name的值就是’main‘,如果你作为一个模块导入,那么这个...

2019-08-31 09:10:41 284

原创 智能指针shared_ptr的线程安全、互斥锁

智能指针和线程安全的问题<1> 智能指针shared_ptr本身(底层实现原理是引用计数)是线程安全的智能指针的引用计数在手段上使用了atomic原子操作,只要shared_ptr在拷贝或赋值时增加引用,析构时减少引用就可以了。首先原子是线程安全的,所有智能指针在多线程下引用计数也是安全的,也就是...

2019-08-18 13:21:45 8087 5

原创 C/C++ 技术面试基础知识总结分享 + 技术面试必备基础知识、Leetcode 题解、Java、C++、Python、后端面试、操作系统、计算机网络、系统设计

参考1:https://github.com/huihut/interview参考2:https://github.com/CyC2018/CS-Notes

2019-08-13 15:58:33 353

原创 图像二值化——最大类间方差法(Ostu,大津法)

1、最大类间方差法的由来 最大类间方差法是由日本学者大津(Nobuyuki Otsu)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。2、最大类间方差法的原理 它是按图像的灰度特性,将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此,使类间方差最...

2019-07-21 00:21:08 5828

原创 均值滤波原理和底层实现(C++实现)

均值滤波器1、图像的空间滤波分类 图像的空间滤波分为线性滤波和非线性滤波。(1)线性滤波定义:对邻域中的像素的计算为线性运算时,如利用窗口函数进行平滑加权求和的运算,或者某种卷积运算,都可以称为线性滤波。 常见的线性滤波:均值滤波、高斯滤波、盒子滤波、拉普拉...

2019-07-20 23:50:15 9318

原创 垂直投影算法——OpenCV3.1.0和C++实现——分割图像

对文本中的多行进行分割 直接上代码#include<opencv2/imgproc/imgproc.hpp>#include<opencv2/highgui/highgui.hpp>#include<opencv2/core/core.hpp>#include<...

2019-07-20 22:14:19 3138

原创 VS2013配置OpenCV3.1.0 / VS2017配置OpenCV4.1.0(只需要配置一次,可长久使用)

一、下载OpenCV3.1.0并安装1、OpenCV3.1.0下载链接2、安装 点击exe文件进行安装3、添加opencv路径至系统环境变量 我的电脑->属性->高级系统设置->高级->环境变量->系统变量->Path->编辑,将OpenCV安装目录的bin目录添加进去,本人电脑上的路径为:D:\soft\...

2019-07-20 17:21:03 861

原创 OpenCV之DNN模块,实现深度学习网络的推理加速

OpenCV是计算机视觉领域使用最为广泛的开源库,以功能全面使用方便著称。自3.3版本开始,OpenCV加入了对深度神经网络(DNN)推理运算的支持。在LiveVideoStack线上交流分享中英特尔亚太研发有限公司开源技术中心软件工程师 吴至文详细介绍了OpenCV DNN模块的现状,架构,以及加速技术。直播回放https://www2.tutormeetplus.com/v2/re...

2019-07-13 01:25:10 6038

原创 算法——冒泡排序、选择排序、插入排序的算法思想+C++代码实现+时间空间复杂度

一、冒泡排序1、排序思想:假设对N个数进行排序,他们的位置分别是0、1、2....、N-1。首先比较0和1位置上的元素,如果0位置上的元素大于1位置上的元素,则交换两个位置上的元素,否则不做调整;接着比较1位置上和2位置上的元素,如果1位置上的元素大于2位置上的元素,则交换两个位置上的元素,否则不交换;..........;最后比较N-2和N-1位置上的元素,如果N-2位置上的元素大于N-1位...

2019-06-23 23:33:23 550

原创 算法——时间复杂度分析

1、时间复杂度:常用O(读big o)来表示2、分析思想:把常数操作数量的表达式写出来之后,不要低阶项,只要高阶项,并且省略高阶项的系数,剩下的部分如何记为f(N),那么时间复杂度就是为O(f(N))。3、评价一个算法的好坏:先看指标(即忽略掉系数之后的部分),如果指标一样,则看系数(常数项)大小。...

2019-06-22 23:12:07 371

原创 C++——了解你的编译器支持了C++2.0(C++11)那些特性

原网址:C++11 compiler support shootout: Visual Studio, GCC, Clang, Intel翻译版本:距离我上次对C++11支持的不同编译器的比较已经有大半年了。这次我来根据这些预览版的编译器的文档来看下它们是如何堆砌起来的。GCC的下个版本是4.8,以及Clang即将到来的版本是3.3 。如果你使用Visual Studio 2012,你...

2019-06-08 19:00:39 1169

原创 Leetcode——264.丑数 ||——题解+代码实现(使用三指针进行求解)

一、题目(中等)编写一个程序,找出第n个丑数。丑数就是只包含质因数2, 3, 5的正整数。示例:输入: n = 10输出: 12解释: 1, 2, 3, 4, 5, 6, 8, 9, 10, 12 是前 10 个丑数。说明:1是丑数。 n不超过1690。二、题解思路题解思路1:在Leetcode——263.丑数的思想下进行循环,找到第n个丑数...

2019-06-05 20:38:36 486

原创 Leetcode——263.丑数——题解+代码实现

一、题目编写一个程序判断给定的数是否为丑数。丑数就是只包含质因数2, 3, 5的正整数。示例 1:输入: 6输出: true解释: 6 = 2 ×3示例 2:输入: 8输出: true解释: 8 = 2 × 2 ×2示例3:输入: 14输出: false 解释: 14 不是丑数,因为它包含了另外一个质因数7。说明:1是丑数。...

2019-06-05 17:03:37 523

原创 Leetcode——237.删除链表中的节点——题解+代码实现(跟常规的思路有点区别,因为没有其前一个结点)

一、题目请编写一个函数,使其可以删除某个链表中给定的(非末尾)节点,你将只被给定要求被删除的节点。现有一个链表 --head =[4,5,1,9],它可以表示为:示例 1:输入: head = [4,5,1,9], node = 5输出: [4,1,9]解释: 给定你链表中值为5的第二个节点,那么在调用了你的函数之后,该链表应变为 4 -> 1 -&g...

2019-06-03 20:03:10 254

原创 Leetcode——206.反转链表——题解+代码实现(递归+迭代版)

一、题目反转一个单链表。示例:输入: 1->2->3->4->5->NULL输出: 5->4->3->2->1->NULL进阶:你可以迭代或递归地反转链表。你能否用两种方法解决这道题?二、题解思路题解思路1(迭代实现) 在遍历列表时,将当前节点(Node)的 next 指针改为指向前一个元素(No...

2019-06-03 20:00:24 1132

原创 Leetcode——342.4的幂——题解+代码实现(递归和循环实现)

一、题目给定一个整数 (32 位有符号整数),请编写一个函数来判断它是否是 4的幂次方。示例 1:输入: 16输出: true示例 2:输入: 5输出: false进阶:你能不使用循环或者递归来完成本题吗?二、题解思路题解思路1(递归):根据给定的整数,先判断其是否为0、1,若不是,则进行求余和除4取整判断,递归操作。 题解思路2(循环):先判断n...

2019-06-02 18:46:36 221

原创 Leetcode——231.2的幂——题解+代码实现(尝试递归、循环、找规律3种方法实现)

一、题目给定一个整数,编写一个函数来判断它是否是 2 的幂次方。示例1:输入: 1输出: true解释: 20= 1示例 2:输入: 16输出: true解释: 24= 16示例 3:输入: 218输出: false二、题解思路题解思路1:2的幂是2、4、8、16、32、64、128...(二进制是:0010、0100、1000、0001...

2019-06-02 18:42:43 180

原创 Leetcode——696.计数二进制子串——三种题解+代码实现(擅于挖掘巧妙的题解思路)

一、题目给定一个字符串s,计算具有相同数量0和1的非空(连续)子字符串的数量,并且这些子字符串中的所有0和所有1都是组合在一起的。重复出现的子串要计算它们出现的次数。示例 1 :输入: "00110011"输出: 6解释: 有6个子串具有相同数量的连续1和0:“0011”,“01”,“1100”,“10”,“0011” 和 “01”。请注意,一些重复出现的子串要计算它们...

2019-06-02 18:36:43 410

原创 Leetcode——58.最后一个单词的长度——2种题解+代码实现(反向考虑、string的erase操作)

一、题目给定一个仅包含大小写字母和空格' '的字符串,返回其最后一个单词的长度。如果不存在最后一个单词,请返回 0。说明:一个单词是指由字母组成,但不包含任何空格的字符串。示例:输入: "Hello World"输出: 5二、题解思路题解思路1:遍历字符串,如果字符不是空格,就将字符叠加到中间变量temp上,遇到空格,则将上一次叠加后的单词存到vector中...

2019-06-02 18:23:14 179

原创 Leetcode——844.比较含退格的字符串——题解+代码实现(使用vector的push_back和pop_back)

一、题目给定S和T两个字符串,当它们分别被输入到空白的文本编辑器后,判断二者是否相等,并返回结果。#代表退格字符。示例 1:输入:S = "ab#c", T = "ad#c"输出:true解释:S 和 T 都会变成 “ac”。示例 2:输入:S = "ab##", T = "c#d#"输出:true解释:S 和 T 都会变成 “”。示例 3...

2019-06-02 18:17:07 433

铁轨裂纹数据集(第二部分)

这个数据集是自己制作的铁轨裂纹数据集,使用LabelImg软件自己标注的,格式为VOC2007。数据集图片共14010张。这是第二部分,第一部分请下载另外一个压缩包,即VOC2007第一部分。

2019-11-19

铁轨裂纹数据集(第一部分)

这个数据集是自己制作的铁轨裂纹数据集,使用LabelImg软件自己标注的,格式为VOC2007。数据集图片共14010张。这是第一部分,第二部分请下载另外一个压缩包,即VOC2007第二部分。

2019-11-19

深度学习模型可视化画图工具(支持tf, caffe, keras,mxnet等多种框架)——Netron3.5.2

Netron官方版是一款十分可靠和优秀的模型分析软件。Netron官方版提供了直观清晰的操作界面,可以方便开发人员更加地轻松地传输相应的型,并能够有效地解决在框架间交换模型时需要转换的问题,同时兼容win、mac、linux等操作系统,可以满足大家的不同需求。

2019-11-07

C++软件开发工程师面试资料(C++语法知识点、数据库知识点、计算机网络知识点).zip

于2019.7-2019.10备战秋招,准备的C++软件开发岗的面试资料,资料涵盖了:1、C++中的基本语法、STL、C++11新特性的面试知识点;2、计算机网络的面试知识点;3、MYSQL数据库的面试知识点;4、计算机网络的面试知识点。

2019-11-06

OpenCV--3.4.5 source版本,可在linux下安装使用

官网下载特别慢,想在ubuntu下安装opencv的,可以下载此版本使用,具体安装教程可以参考下面的链接:https://blog.csdn.net/gaoyu1253401563/article/details/89380270

2019-04-19

《机器学习实战》 电子版+源码

本书第一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。 第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。 第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例,切入日常工作任务,摒弃学术化语言,利用高效的可复用Python代码来阐释如何处理统计数据,进行数据分析及可视化。

2019-01-08

深度学习之思维导图

本文是一份超全的深度学习思维导图,涵盖深度学习的基础概念、架构和优化策略,并以TensorFlow为例,列举深度学习各个模块的介绍。

2019-01-08

MNIST数据集

MNIST手写数字数据库具有60,000个示例的训练集和10,000个示例的测试集。它是NIST提供的更大集合的子集。数字已经过尺寸标准化,并以固定尺寸的图像为中心 train-images-idx3-ubyte.gz train-labels-idx1-ubyte.gz t10k-images-idx3-ubyte.gz t10k-labels-idx1-ubyte.gz

2019-01-07

《python进阶》,《Intermediate Python》的中文译本

IntermediatePython这本书具有如下几个优点:简单、易读、易译。这些都不是重点,重点是:它是一本开脑洞的书。无论你是Python初学者,还是Python高手,它显现给你的永远是Python里最美好的事物。 本书作者的行文方式有着科普作家的风范,--那就是能将晦涩难懂的技术用比较清晰简洁的方式进行呈现,深入浅出的风格在每个章节的讨论中都得到了体现: 每个章节都非常精简,5分钟就能看完,用最简洁的例子精辟地展现了原理 每个章节都会通过疑问,来引导读者主动思考答案 每个章节都引导读者做延伸阅读,让有兴趣的读者能进一步举一反三 每个章节都是独立的,你可以挑选任意的章节开始阅读,而不受影响

2019-01-06

《神经网络和深度学习》

作者: Charu C. Aggarwal是位于纽约Yorktown Heights的IBM T. J. Watson研究中心的杰出研究成员。 本书涵盖了深度学习的理论和算法,并详细讨论了神经网络与传统机器学习算法的关系。 本书涵盖了深度学习中的经典和现代模型。主要关注深度学习的理论和算法。神经网络的理论和算法对于理解重要概念尤为重要,因此人们可以理解不同应用中神经架构的重要设计概念。为什么神经网络有效?什么时候它们比现成的机器学习模型更好?什么时候深度有用?为什么训练神经网络如此困难?有什么陷阱?本书还丰富地讨论了不同的应用程序,以便让从业者了解神经架构如何针对不同类型的问题进行设计。涵盖与许多不同领域相关的应用,如推荐系统,机器翻译,图像字幕,图像分类,基于强化学习的游戏和文本分析。本书的章节分为三类: 神经网络的基础知识:许多传统的机器学习模型可以理解为神经网络的特殊情况。前两章强调了解传统机器学习与神经网络之间的关系。支持向量机,线性/逻辑回归,奇异值分解,矩阵分解和推荐系统被证明是神经网络的特例。这些方法与最近的特征工程方法(如word2vec)一起研究。 神经网络的基本原理:第3章和第4章详细讨论了训练和正则化。第5章和第6章介绍了径向基函数(RBF)网络和受限制的玻尔兹曼机器。 神经网络的高级Topics:第7章和第8章讨论了递归神经网络和卷积神经网络。第9章和第10章介绍了深度强化学习,神经图灵机,Kohonen自组织映射和生成对抗网络等几个高级topics。 这本书是为研究生,研究人员和从业者编写的。提供了大量练习以及解决方案手册,以帮助课堂教学。在可能的情况下,突出显示以应用程序为中心的视图,以便了解每类技术的实际用途。

2019-01-06

mnist_dataset 手写字体数据集

MNIST 数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据.

2019-01-03

《Effective C++中文第三版》 高清PDF

《Effective C++》是各读书圈中力鉴的学习C++的必读书籍之一,《Effective C++》整本书的知识点很全面,每一个Item都有理有据,常常会触发自己思考一些没有想过的问题。C++的功能多,实现复杂,只是学习语法只会纸上谈兵,而《Effective C++》让我去理解C++程序的设计原理、应用方法、陷阱... ...加深了我对计算机,编程的认识。

2018-12-18

《数字图像处理》冈萨雷斯 中文+英文 pdf

本书是数字图像处理经典著作,作者在对32个国家的134个院校和研究所的教师,学生及自学者进行广泛调查的基础上编写了第三版。除保留了第二版的大部分主要内容外,还根据收集的建议从13个方面进行了修订,新增400多幅图像,200多个图表和80多道习题,同时融入了来本科学领域的重要发展,使本书具有相当的特色与先进性。全书分为12章,包括绪论,数字图像基础,灰度变换与空间滤波,频域滤波,图像复原与重建,彩色图像处理,小波及多分辨率处理,图像压缩,形态学图像处理,图像分割,表现与描述,目标识别。 目录编辑 前言15 致谢19 书籍网站20 关于作者21 第1章引言23 1.1什么是数字图像处理?23 1.2数字图像处理的起源25 1.3使用数字图像处理的字段示例29 1.3.1伽马射线成像30 1.3.2 X射线成像31 1.3.3紫外线带成像33 1.3.4可见光和红外波段成像34 1.3.5微波波段40成像 [1] 1.3.6无线电频段的成像42 1.3.7使用其他成像模式的示例42 1.4数字图像处理的基本步骤47 1.5图像处理系统的组件50 摘要53 参考文献和进一步阅读53 第2章数字图像基础知识57 2.1视觉感知的要素58 2.1.1人眼结构58 2.1.2眼睛中的图像形成60 2.1.3亮度适应和歧视61 2.2光和电磁谱65 2.3图像传感和采集68 2.3.1使用单个传感器进行图像采集70 2.3.2使用传感器条带获取图像70 2.3.3使用传感器阵列进行图像采集72 2.3.4简单的图像形成模型72 2.4图像采样和量化74 2.4.1采样和量化的基本概念74 2.4.2代表数字图像77 2.4.3空间和强度分辨率81 2.4.4图像插值87 2.5像素之间的一些基本关系90 2.5.1像素的邻居90 2.5.2邻接,连通性,区域和边界90 [1] 2.5.3距离措施93 2.6数字图像处理中使用的数学工具简介94 2.6.1数组与矩阵运算94 2.6.2线性与非线性操作95 2.6.3算术运算96 2.6.4设置和逻辑操作102 2.6.5空间操作107 2.6.6矢量和矩阵运算114 2.6.7图像变换115 2.6.8概率方法118 [1] 摘要120 参考文献和进一步阅读120 问题121 第3章强度变换和空间过滤126 3.1背景127 3.1.1强度变换和空间滤波的基础127 3.1.2关于本章中的示例129 3.2一些基本的强度转换函数129 3.2.1图像底片130 3。2。2日志转换131 3.2.3幂律(Gamma)变换132 3.2.4分段线性变换函数137 3.3直方图处理142 3.3.1直方图均衡144 3.3.2直方图匹配(规范)150 3.3.3局部直方图处理161 3.3.4使用直方图统计进行图像增强161 3.4空间过滤的基本原理166 3.4.1空间过滤机制167 3.4.2空间相关和卷积168 3.4.3线性滤波的矢量表示172 3.4.4生成空间滤波器掩码173 3.5平滑空间滤波器174 3.5.1平滑线性滤波器174 3.5.2订单统计(非线性)过滤器178 3.6锐化空间滤波器179 3.6.1基金会180 3.6.2使用二阶导数进行图像锐化 - 拉普拉斯算子182 3.6.3反锐化掩码和高增强滤波184 3.6.4使用一阶导数(非线性)图像锐化 - 梯度187 3.7组合空间增强方法191 [1] 3.8使用模糊技术进行强度变换和空间过滤195 3.8.1引言195 3.8.2模糊集理论的原理196 3.8.3使用模糊集200 3.8.4使用模糊集进行强度变换208 3.8.5使用模糊集进行空间过滤211 摘要214 参考文献和进一步阅读214 问题215 第4章频域滤波221 4.1背景222 4.1.1傅立叶级数和变换的简史222 4.1.2关于本章中的示例223 4.2初步概念224 [1] 4.2.1复数224 4.2.2傅立叶级数225 4.2.3冲动及其筛选性能225 4.2.4一个连续变量函数的傅立叶变换227 4.2.5卷积231 4.3采样和采样函数的傅立叶变换233 4.3.1抽样233 4.3.2采样函数的傅立叶变换234 4.3.3抽样定理235 4.3.4别名239 4.3.5采样数据的功能重建(恢复)241 4.4单变量的离散傅里叶变换(DFT)242 4.4.1从采样函数的连续变换中获取DFT 243 4.4.2采样和频率间隔之间的关系245 4.5扩展到两个变量的函数247 4.5.1二维脉冲及其筛选性质247 4.5.2二维连续傅立叶变换对248 [1] 4.5.3二维采样和二维采样定理249 4.5.4图像中的别名250 4.5.5二维离散傅里叶变换及其逆257 4.6二维离散傅立叶变换的一些性质258 4.6.1空间和频率间隔之间的关系258 4.6.2翻译和轮换258 4.6.3周期259 4.6.4对称性属性261 4.6.5傅里叶谱和相角267 4.6.6二维卷积定理271 4.6.7二维离散傅立叶变换特性总结275 4.7频域滤波的基础277 4.7.1频域的附加特性277 4.7.2频域滤波基础279 4.7.3频域滤波步骤摘要285 4.7.4空域和频域过滤之间的对应关系285 4.8使用频域滤波器进行图像平滑291 4.8.1理想的低通滤波器291 4.8.2巴特沃斯低通滤波器295 [1] 4.8.3高斯低通滤波器298 4.8.4低通滤波的其他例子299 4.9使用频域滤波器的图像锐化302 4.9.1理想的高通滤波器303 4.9.2巴特沃斯高通滤波器306 4.9.3高斯高通滤波器307 4.9.4频域308中的拉普拉斯算子 4.9.5反锐化掩模,高增强滤波和高频强调滤波310 4.9.6同态过滤311 4.10选择性过滤316 4.10.1带通和带通滤波器316 4.10.2陷波滤波器316 4.11实施320 4.11.1二维DFT 320的可分离性 4.11.2使用DFT算法计算IDFT 321 [1] 4.11.3快速傅里叶变换(FFT)321 4.11.4关于过滤器设计的一些评论325 摘要325 参考文献和进一步阅读326 问题326 第5章图像恢复和重建333 5.1图像降级/恢复过程的模型334 5.2噪声模型335 5.2.1噪声的空间和频率特性335 5.2.2一些重要的噪声概率密度函数336 5.2.3周期性噪声340 5.2.4噪声参数估算341 5.3仅存在噪声的情况下的恢复 - 空间过滤344 5.3.1平均滤波器344 5.3.2订单统计过滤器347 5.3.3自适应滤波器352 5.4通过频域滤波定期降低噪声357 5.4.1带状过滤器357 [1] 5.4.2带通滤波器358 5.4.3陷波滤波器359 5.4.4最佳陷波滤波360 5.5线性,位置不变的降级365 5.6估算退化函数368 5.6.1通过图像观察估计368 5.6.2通过实验估算369 5.6.3通过建模估算369 5.7反向过滤373 5.8最小均方误差(维纳)滤波374 5.9约束最小二乘滤波379 5.10几何平均滤波器383 5.11从投影中重建图像384 5.11.1引言384 5.11.2计算机断层扫描原理(CT)387 5.11.3投影和Radon变换390 5.11.4傅立叶切片定理396 5.11.5使用平行光束滤波反投影重建397 5.11.6使用扇束滤波反投影进行重建403 摘要409

2018-12-17

《python神经网络编程》 高清pdf

内容介绍:神经网络是一种模拟人脑的神经网络,以期能够实现类人工智能的机器学习 技术。 本书揭示神经网络背后的概念,并介绍如何通过Python实现神经网络。全书 分为3章和两个附录。第1章介绍了神经网络中所用到的数学思想。第2章介绍使 用Python实现神经网络,识别手写数字,并测试神经网络的性能。第3章带领读 者进一步了解简单的神经网络,观察已受训练的神经网络内部,尝试进一步改善 神经网络的性能,并加深对相关知识的理解。附录分别介绍了所需的微积分知识 和树莓派知识。 本书适合想要从事神经网络研究和探索的读者学习参考,也适合对人工智 能、机器学习和深度学习等相关领域感兴趣的读者阅读。 目录 · · · · · · 版权 版权声明 内容提要 译者序 序言 前言 第 1 章 神经网络如何工作 001 1.1 尺有所短,寸有所长 001 1.2 一台简单的预测 003 1.3 分类器与预测器并无太大差别 008 1.4 训练简单的分类 011 1.5 有时候一个分类器不足以求解问题 020 1.6 神经元——大自然的计算机器 024 1.7 在神经网络中追踪信号 033 1.8 凭心而论,矩阵乘法大有用途 037 1.9 使用矩阵乘法的三层神经网络示例 043 1.10 学习来自多个节点的权重 051 1.11 多个输出节点反向传播误差 053 1.12 反向传播误差到更多层中 054 1.13 使用矩阵乘法进行反向传播误差 058 1.14 我们实际上如何更新权重 061 1.15 权重更新成功范例 077 1.16 准备数据 078 第 2 章 使用Python进行DIY 083 2.1 Python 083 2.2 交互式Python = IPython 084 2.3 优雅地开始使用Python 085 2.4 使用Python制作神经网络 105 2.5 手写数字的数据集MNIST 121 第 3 章 趣味盎然 153 3.1 自己的手写数字 153 3.2 神经网络大脑内部 156 3.3 创建新的训练数据:旋转图像 160 3.4 结语 164 附录A 微积分简介 165 A.1 一条平直的线 166 A.2 一条斜线 168 A.3 一条曲线 170 A.4 手绘微积分 172 A.5 非手绘微积分 174 A.6 无需绘制图表的微积分 177 A.7 模式 180 A.8 函数的函数 182 附录B 使用树莓派来工作 186 B.1 安装IPython 187 B.2 确保各项工作正常进行 193 B.3 训练和测试神经网络 194 B.4 树莓派成功了 195

2018-12-17

《算法图解》 代码

代码主要以python语言实现为主,部分章节有基于C++,C,JAVA等语言的代码实现

2018-12-14

《深度学习、优化与识别》---焦李成

深度学习是计算机科学与人工智能的重要组成部分。全书16章,分为理论与实践应用两部分,同时介绍5种深度学习主流平台的特性与应用,最后给出了深度学习的前沿进展介绍,另附带47种相关网络模型的实现代码。本书具有以下的特点: 一、内容系统全面 全书16章,覆盖了深度学习当前出现的诸多经典框架或模型,分为两个部分。第一部分系统地从数据、模型、优化目标函数和求解等四个方面论述了深度学习的理论及算法,如卷积神经网络、深度生成模型等;第二部分基于5种主流的深度学习平台给出了深度网络在自然图像、卫星遥感影像等领域的应用,如分类、变化检测、目标检测与识别等任务。另外给出了深度学习发展的脉络图及最新研究进展,提供可基于5种平台实现的47中深度网络代码,以便有兴趣的读者进一步钻研探索。 二、叙述立场客观 作为深度学习的入门教材,尽可能不带偏见地对材料进行分析、加工以及客观介绍。本书理论部分均从模型产生的本源来介绍,并给出各个经典模型之间内在的相互联系。本书实践应用部分对相关任务做了详尽的分析,并给出深度学习应用实践的经验总结。 三、设计装帧精美 该书设计人性化,文字、公式、数学符号混排格式美观精致,特别是,全书采用全彩印制,软精装装帧。封面设计清新却不脱俗、学术化,足可以看出 出版社和作者的用心。 媒体推荐 IEEE Fellow获得者焦李成教授学术著作,系统论述深度学习的基本理论、算法及应用,展望深度学习的前沿方向。 作者简介 焦李成,男,汉族,1959年10月生,1992年起任西安电子科技大学教授。现任智能感知与计算国际联合研究中心主任、智能感知与图像理解教育部重点实验室主任、智能感知与计算国际合作联合实验室主任、“智能信息处理科学与技术”高等学校学科创新引智基地(“111计划”)主任、教育部科技委国际合作部学部委员、中国人工智能学会副理事长、IET西安分会主席、IEEE西安分会奖励委员会主席、IEEE计算智能协会西安分会主席、IEEE GRSS西安分会主席,IEEE TGRS副主编、教育部创新团队首席专家。国务院学位委员会学科评议组成员、教育部本科教学水平评估专家。1991年被批准为享受国务院政府津贴的专家,1996年首批入选国家“百千万”人才工程(第壹、二层次)。当选为全国模范教师、陕西省师德标兵和曾任第八届全国人大代表。焦李成教授的主要研究方向为智能感知与计算、图像理解与目标识别、深度学习与类脑计算,培养的十余名博士获全国优秀博士学位论文奖、提名奖及陕西省优秀博士论文奖。研究成果获包括国家自然科学奖二等奖及省部级一等奖以上科技奖励十余项,出版学术专著十余部,五次获国家优秀科技图书奖励及全国首届三个一百优秀图书奖。所发表的论著被他人引用超过25000余篇次,H指数为65。 目录 第1章深度学习基础1 1.1数学基础2 1.1.1矩阵论2 1.1.2概率论3 1.1.3优化分析5 1.1.4框架分析6 1.2稀疏表示8 1.2.1稀疏表示初步8 1.2.2稀疏模型20 1.2.3稀疏认知学习、计算与识别的范式24 1.3机器学习与神经网络31 1.3.1机器学习31 1.3.2神经网络36 参考文献38 第2章深度前馈神经网络41 2.1神经元的生物机理42 2.1.1生物机理42 2.1.2单隐层前馈神经网络43 2.2多隐层前馈神经网络45 2.3反向传播算法47 2.4深度前馈神经网络的学习范式48 参考文献51 第3章深度卷积神经网络54 3.1卷积神经网络的生物机理及数学刻画55 3.1.1生物机理55 3.1.2卷积流的数学刻画56 3.2深度卷积神经网络61 3.2.1典型网络模型与框架61 3.2.2学习算法及训练策略69 3.2.3模型的优缺点分析71 3.3深度反卷积神经网络73 3.3.1卷积稀疏编码74 3.3.2深度反卷积神经网络75 3.3.3网络模型的性能分析与应用举例77 3.4全卷积神经网络77 3.4.1网络模型的数学刻画77 3.4.2网络模型的性能分析及应用举例79 参考文献80 第4章深度堆栈自编码网络83 4.1自编码网络84 4.1.1逐层学习策略84 4.1.2自编码网络84 4.1.3自编码网络的常见范式87 4.2深度堆栈网络90 4.3深度置信网络/深度玻尔兹曼机网络93 4.3.1玻尔兹曼机/受限玻尔兹曼机93 4.3.2深度玻尔兹曼机/深度置信网络94 参考文献96 第5章稀疏深度神经网络99 5.1稀疏性的生物机理100 5.1.1生物视觉机理100 5.1.2稀疏性响应与数学物理描述102 5.2稀疏深度网络模型及基本性质102 5.2.1数据的稀疏性103 5.2.2稀疏正则103 5.2.3稀疏连接104 5.2.4稀疏分类器设计106 5.2.5深度学习中关于稀疏的技巧与策略108 5.3网络模型的性能分析110 5.3.1稀疏性对深度学习的影响110 5.3.2对比实验及结果分析110 参考文献111 第6章深度融合网络113 6.1深度SVM网络114 6.1.1从神经网络到SVM114 6.1.2网络模型的结构115 6.1.3训练技巧117 6.2深度PCA网络117 6.3深度ADMM网络119 6.4深度极限学习机121 6.4.1极限学习机121 6.4.2深度极限学习机123 6.5深度多尺度几何网络125 6.5.1深度脊波网络125 6.5.2深度轮廓波网络127 6.6深度森林130 6.6.1多分辨特性融合131 6.6.2级联特征深度处理131 参考文献133 第7章深度生成网络136 7.1生成式对抗网络的基本原理137 7.1.1网络模型的动机137 7.1.2网络模型的数学物理描述139 7.2深度卷积对抗生成网络141 7.2.1网络模型的基本结构141 7.2.2网络模型的性能分析144 7.2.3网络模型的典型应用146 7.3深度生成网络模型的新范式151 7.3.1生成式对抗网络的新范式151 7.3.2网络框架的性能分析与改进154 7.4应用驱动下的两种新生成式对抗网络155 7.4.1堆栈生成式对抗网络155 7.4.2对偶学习范式下的生成式对抗网络158 7.5变分自编码器160 参考文献162 第8章深度复卷积神经网络与深度二值神经网络167 8.1深度复卷积神经网络168 8.1.1网络模型构造的动机168 8.1.2网络模型的数学物理描述168 8.2深度二值神经网络172 8.2.1网络基本结构172 8.2.2网络的数学物理描述173 8.2.3讨论176 参考文献177 第9章深度循环和递归神经网络180 9.1深度循环神经网络181 9.1.1循环神经网络的生物机理181 9.1.2简单的循环神经网络181 9.1.3深度循环神经网络的数学物理描述183 9.2深度递归神经网络188 9.2.1简单的递归神经网络188 9.2.2深度递归神经网络的优势189 9.3长短时记忆神经网络190 9.3.1改进动机分析190 9.3.2长短时记忆神经网络的数学分析191 9.4典型应用192 9.4.1深度循环神经网络的应用举例193 9.4.2深度递归神经网络的应用举例194 参考文献194 第10章深度强化学习197 10.1深度强化学习基础198 10.1.1深度强化学习的基本思路198 10.1.2发展历程198 10.1.3应用的新方向200 10.2深度Q网络201 10.2.1网络基本模型与框架201 10.2.2深度Q网络的数学分析202 10.3应用举例—AlphaGo204 10.3.1AlphaGo原理分析205 10.3.2深度强化学习性能分析206 参考文献207 第11章深度学习软件仿真平台及开发环境209 11.1Caffe平台210 11.1.1Caffe平台开发环境210 11.1.2AlexNet神经网络学习210 11.1.3AlexNet神经网络应用于图像分类212 11.2TensorFlow平台215 11.2.1TensorFlow平台开发环境215 11.2.2深度卷积生成式对抗网DCGAN216 11.2.3DAN应用于样本扩充217 11.3MXNet平台220 11.3.1MXNet平台开发环境220 11.3.2VGG—NET深度神经网络学习222 11.3.3图像分类应用任务225 11.4Torch 7平台226 11.4.1Torch 7平台开发环境226 11.4.2二值神经网络227 11.4.3二值神经网络应用于图像分类239 11.5Theano平台233 11.5.1Theano平台开发环境233 11.5.2递归神经网络234 11.5.3LSTM应用于情感分类任务237 参考文献238 第12章基于深度神经网络的SAR/PolSAR影像地物分类240 12.1数据集及研究目的241 12.1.1数据集特性分析241 12.1.2基本数据集244 12.1.3研究目的247 12.2基于深度神经网络的SAR影像地物分类251 12.2.1基于自适应自编码和超像素的SAR图像分类251 12.2.2基于卷积中层特征学习的SAR图像分类257 12.3基于第一代深度神经网络的PolSAR影像地物分类263 12.3.1基于稀疏极化DBN的极化SAR地物分类263 12.3.2基于深度PCA网络的极化SAR影像地物分类267 12.4基于第二代深度神经网络的PolSAR影像地物分类271 12.4.1基于深度复卷积网络的极化PolSAR影像地物分类271 12.4.2基于生成式对抗网的极化PolSAR影像地物分类274 12.4.3基于深度残差网络的极化PolSAR影像地物分类278 参考文献280 第13章基于深度神经网络的SAR影像变化检测284 13.1数据集特点及研究目的285 13.1.1研究目的285 13.1.2数据基本特性288 13.1.3典型数据集291 13.2基于深度学习和SIFT特征的SAR图像变化检测293 13.2.1基本方法与实现策略284 13.2.2对比实验结果分析295 13.3基于SAE的SAR图像变化检测299 13.3.1基本方法与实现策略299 13.3.2对比实验结果分析303 13.4基于CNN的SAR图像变化检测305 13.4.1基本方法与实现策略305 13.4.2对比实验结果分析307 参考文献309 第14章基于深度神经网络的高光谱图像分类与压缩311 14.1数据集及研究目的312 14.1.1高光谱遥感技术312 14.1.2高光谱遥感的研究目的313 14.1.3常用的高光谱数据集314 14.2基于深度神经网络的高光谱影像的分类318 14.2.1基于堆栈自编码的高光谱影像的分类319 14.2.2基于卷积神经网络的高光谱影像的分类325 14.3基于深度神经网络的高光谱影像的压缩333 14.3.1基于深度自编码网络的高光谱图像压缩方法334 14.3.2实验设计及分类结果336 参考文献338 第15章基于深度神经网络的目标检测与识别340 15.1数据特性及研究目的341 15.1.1研究目的341 15.1.2常用数据集343 15.2基于快速CNN的目标检测与识别345 15.2.1R—CNN346 15.2.2FastR—CNN348 15.2.3FasterR—CNN349 15.2.4对比实验结果与分析352 15.3基于回归学习的目标检测与识别353 15.3.1YOLO353 15.3.2SSD356 15.3.3对比实验结果分析359 15.4基于学习搜索的目标检测与识别360 15.4.1基于深度学习的主动目标定位360 15.4.2AttentionNet363 15.4.3对比实验结果分析365 参考文献366 第16章总结与展望368 16.1深度学习发展历史图369 16.1.1从机器学习、稀疏表示学习到深度学习370 16.1.2深度学习、计算与认知的范式演进371 16.1.3深度学习形成脉络375 16.2深度学习的典型应用375 16.2.1目标检测与识别375 16.2.2超分辨376 16.2.3自然语言处理376 16.3深度神经网络的可塑性377 16.3.1旋转不变性377 16.3.2平移不变性378 16.3.3多尺度、多分辨和多通路特性378 16.3.4稀疏性379 16.4基于脑启发式的深度学习前沿方向380 16.4.1生物神经领域关于认知、识别、注意等的最新研究进展380 16.4.2深度神经网络的进一步研究方向382 16.4.3深度学习的可拓展性383 参考文献383 附录A基于深度学习的常见任务处理介绍386 附录B代码介绍393 后记 全彩印制,焦李成教授学术著作,系统论述深度学习的基本理论、算法及应用,展望深度学习的前沿方向。购买此书将获得7个G资源请加QQ群196832021获取 麻烦各位更新各网店页面信息。

2018-12-11

《python机器学习》

作者简介 · · · · · · Sebastian Raschka是密歇根州立大学的博士生,他在计算生物学领域提出了几种新的计算方法,还被科技博客Analytics Vidhya评为GitHub上具影响力的数据科学家。他有一整年都使用Python进行编程的经验,同时还多次参加数据科学应用与机器学习领域的研讨会。正是因为Sebastian 在数据科学、机器学习以及Python等领域拥有丰富的演讲和写作经验,他才有动力完成此书的撰写,目的是帮助那些不具备机器学习背景的人设计出由数据驱动的解决方案。 他还积极参与到开源项目中,由他开发完成的计算方法已经被成功应用到了机器学习竞赛(如Kaggle等)中。在业余时间,他沉醉于构建体育运动的预测模型,要么待在电脑前,要么在运动。 目录 · · · · · · 译者序 推荐序 作者简介 审校者简介 前言 第1章 赋予计算机学习数据的能力1 1.1构建智能机器将数据转化为知识1 1.2 机器学习的三种不同方法1 1.2.1 通过监督学习对未来事件进行预测2 1.2.2 通过强化学习解决交互式问题4 1.2.3 通过无监督学习发现数据本身潜在的结构4 1.2.4 基本术语及符号介绍5 1.3 构建机器学习系统的蓝图6 1.3.1 数据预处理6 1.3.2 选择预测模型类型并进行训练7 1.3.3 模型验证与使用未知数据进行预测8 1.4 Python在机器学习中的应用8 本章小结9 第2章 机器学习分类算法10 2.1 人造神经元—早期机器学习概览10 2.2 使用Python实现感知器学习算法13 2.3 自适应线性神经元及其学习的收敛性19 2.3.1 通过梯度下降最小化代价函数20 2.3.2 使用Python实现自适应线性神经元21 2.3.3 大规模机器学习与随机梯度下降25 本章小结29 第3章 使用scikit-learn实现机器学习分类算法30 3.1 分类算法的选择30 3.2 初涉scikit-learn的使用30 使用scikit-learn训练感知器31 3.3 逻辑斯谛回归中的类别概率34 3.3.1 初识逻辑斯谛回归与条件概率34 3.3.2 通过逻辑斯谛回归模型的代价函数获得权重36 3.3.3 使用scikit-learn训练逻辑斯谛回归模型37 3.3.4 通过正则化解决过拟合问题39 3.4 使用支持向量机最大化分类间隔41 3.4.1 对分类间隔最大化的直观认识41 3.4.2 使用松弛变量解决非线性可分问题42 3.4.3 使用scikit-learn实现SVM44 3.5 使用核SVM解决非线性问题44 3.6 决策树48 3.6.1 最大化信息增益—获知尽可能准确的结果49 3.6.2 构建决策树52 3.6.3 通过随机森林将弱分类器集成为强分类器53 3.7 惰性学习算法—k-近邻算法54 本章小结57 第4章 数据预处理—构建好的训练数据集58 4.1 缺失数据的处理58 4.1.1 将存在缺失值的特征或样本删除59 4.1.2 缺失数据填充60 4.1.3 理解scikit-learn预估器的API60 4.2 处理类别数据61 4.2.1 有序特征的映射61 4.2.2 类标的编码62 4.2.3 标称特征上的独热编码63 4.3 将数据集划分为训练数据集和测试数据集64 4.4 将特征的值缩放到相同的区间65 4.5 选择有意义的特征66 4.5.1 使用L1正则化满足数据稀疏化67 4.5.2 序列特征选择算法70 4.6 通过随机森林判定特征的重要性74 本章小结76 第5章 通过降维压缩数据77 5.1 无监督数据降维技术—主成分分析77 5.1.1 总体方差与贡献方差78 5.1.2 特征转换80 5.1.3 使用scikit-learn进行主成分分析82 5.2 通过线性判别分析压缩无监督数据84 5.2.1 计算散布矩阵85 5.2.2 在新特征子空间上选取线性判别算法87 5.2.3 将样本映射到新的特征空间89 5.2.4 使用scikit-learn进行LDA分析90 5.3 使用核主成分分析进行非线性映射91 5.3.1 核函数与核技巧91 5.3.2 使用Python实现核主成分分析94 5.3.3 映射新的数据点99 5.3.4 scikit-learn中的核主成分分析102 本章小结103 第6章 模型评估与参数调优实战104 6.1 基于流水线的工作流104 6.1.1 加载威斯康星乳腺癌数据集104 6.1.2 在流水线中集成数据转换及评估操作105 6.2 使用k折交叉验证评估模型性能106 6.2.1 holdout方法106 6.2.2 k折交叉验证107 6.3 通过学习及验证曲线来调试算法110 6.3.1 使用学习曲线判定偏差和方差问题110 6.3.2 通过验证曲线来判定过拟合与欠拟合112 6.4 使用网格搜索调优机器学习模型113 6.4.1 使用网络搜索调优超参114 6.4.2 通过嵌套交叉验证选择算法115 6.5 了解不同的性能评价指标116 6.5.1 读取混淆矩阵116 6.5.2 优化分类模型的准确率和召回率117 6.5.3 绘制ROC曲线118 6.5.4 多类别分类的评价标准121 本章小结121 第7章 集成学习—组合不同的模型122 7.1 集成学习122 7.2 实现一个简单的多数投票分类器125 7.3 评估与调优集成分类器131 7.4 bagging —通过bootstrap样本构建集成分类器135 7.5 通过自适应boosting提高弱学习机的性能138 本章小结143 第8章 使用机器学习进行情感分析144 8.1 获取IMDb电影评论数据集144 8.2 词袋模型简介146 8.2.1 将单词转换为特征向量146 8.2.2 通过词频-逆文档频率计算单词关联度147 8.2.3 清洗文本数据148 8.2.4 标记文档149 8.3 训练用于文档分类的逻辑斯谛回归模型151 8.4 使用大数据—在线算法与外存学习152 本章小结155 第9章 在Web应用中嵌入机器学习模型156 9.1 序列化通过scikit-learn拟合的模型156 9.2 使用SQLite数据库存储数据158 9.3 使用Flask开发Web应用160 9.3.1 第一个Flask Web应用160 9.3.2 表单验证及渲染161 9.4 将电影分类器嵌入Web应用164 9.5 在公共服务器上部署Web应用169 本章小结172 第10章 使用回归分析预测连续型目标变量173 10.1 简单线性回归模型初探173 10.2 波士顿房屋数据集174 10.3 基于最小二乘法构建线性回归模型178 10.3.1 通过梯度下降计算回归参数178 10.3.2 使用scikit-learn估计回归模型的系数181 10.4 使用RANSAC拟合高鲁棒性回归模型182 10.5 线性回归模型性能的评估184 10.6 回归中的正则化方法185 10.7 线性回归模型的曲线化-多项式回归186 10.7.1 房屋数据集中的非线性关系建模188 10.7.2 使用随机森林处理非线性关系190 本章小结193 第11章 聚类分析——处理无类标数据194 11.1 使用k-means算法对相似对象进行分组194 11.1.1 k-means++196 11.1.2 硬聚类与软聚类198 11.1.3 使用肘方法确定簇的最佳数量199 11.1.4 通过轮廓图定量分析聚类质量200 11.2 层次聚类203 11.2.1 基于距离矩阵进行层次聚类204 11.2.2 树状图与热度图的关联207 11.2.3 通过scikit-learn进行凝聚聚类208 11.3 使用DBSCAN划分高密度区域209 本章小结212 第12章 使用人工神经网络识别图像213 12.1 使用人工神经网络对复杂函数建模213 12.1.1 单层神经网络回顾214 12.1.2 多层神经网络架构简介215 12.1.3 通过正向传播构造神经网络216 12.2 手写数字的识别218 12.2.1 获取MNIST数据集218 12.2.2 实现一个多层感知器222 12.3 人工神经网络的训练228 12.3.1 计算逻辑斯谛代价函数228 12.3.2 通过反向传播训练神经网络230 12.4 建立对反向传播的直观认识231 12.5 通过梯度检验调试神经网络232 12.6 神经网络的收敛性236 12.7 其他神经网络架构237 12.7.1 卷积神经网络237 12.7.2 循环神经网络238 12.8 关于神经网络的实现239 本章小结240 第13章 使用Theano并行训练神经网络241 13.1 使用Theano构建、编译并运行表达式241 13.1.1 什么是Theano242 13.1.2 初探Theano243 13.1.3 配置Theano244 13.1.4 使用数组结构245 13.1.5 整理思路—线性回归示例247 13.2 为前馈神经网络选择激励函数250 13.2.1 逻辑斯谛函数概述250 13.2.2 通过softmax函数评估多类别分类任务中的类别概率252 13.2.3 通过双曲正切函数增大输出范围252 13.3 使用Keras提高训练神经网络的效率254 本章小结258

2018-12-05

深度学习---21种激活函数的对比

深度学习中,详细的21中激活函数对比分析,Activation Functions Comparison of Trends in Practice and Research for Deep Learning

2018-12-05

深度学习数学基础

PDF文档;本书主要讲述了概率论的基本知识及其他的一些应用·本书共分6章,前3章介绍概率论基础,第4章、第5章介绍随机过程和平稳随机过程的相关知识,第6章介绍数理统计基础·每章的最后都有本章小结,介绍了相应章节知识的应用,并配有习题,书末有习题参考答案和附录。

2017-10-12

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除