qq_42688502的博客

原创 attention unet理解笔记

原创 数据增广笔记

深度学习数据增强笔记首先，网络上已经有了各种的常见增广方法，如旋转，平移色彩抖动等，需要的麻烦见下面的博客。https://blog.csdn.net/jizhidexiaoming/article/details/89136823https://blog.csdn.net/lovebyz/article/details/8096611https://zhuanlan.zhihu.com/p/41679153本文的写作目的是为了提醒自己除了上述的常见增广方法外，还有一些高阶的增强方法，如利用神经风

原创 Weakly Supervised Semantic Segmentation with Boundary Exploration论文解读

Weakly Supervised Semantic Segmentation with Boundary Exploration论文解读摘要：为了在弱监督下获得语义分割，本文提出了一种简单而有效的方法，该方法基于从训练图像中显式探索对象边界以保持。 具体来说，我们通过利用从分割和边界的一致率。具体来讲，利用CNN分类器获得的粗定位映射来合成边界注释，并使用注释来训练本文提出的称为BENet的网络，BENet可以进一步挖掘更多的对象边界来为语义分割提供约束。 最后，利用生成的训练图像伪注释来监督一个现成的

原创 NMF理解

NMF 非负矩阵分解，NMF的基本思想可以简单描述为：对于任意给定的一个非负矩阵A，NMF算法能够寻找到一个非负矩阵U和一个非负矩阵V，使得满足下面的公式 ，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积。原矩阵V中的一列向量可以解释为对左矩阵W中所有列向量(称为基向量)的加权和，而权重系数为右矩阵H中对应列向量中的元素。这种基于基向量组合的表示形式具有很直观的语义解释，它反映了人类思维中“...

原创 深度学习入门之numpy PIL笔记等

深度学习入门之numpy笔记(1) np.dot1.如果处理的是一维数组，则得到的是两数组的內积（顺便去补一下数学知识）2.如果是二维数组（矩阵）之间的运算，则得到的是矩阵积（mastrix product）...

转载 吴恩达 序列模型rnn笔记（转载）

该笔记转载自博客https://blog.csdn.net/loovelj/article/details/80196890注，rnn的代价函数就是常用的交叉熵。

原创 吴恩达第二课知识笔记——深度学习入门篇

一、样本划分（训练集测试集验证集）在机器学习中可以没有测试集，在只有训练集和验证集的情况下，验证集也被成为测试集或者训练验证集。在以往数据量小的机器学习时代，一般是60,20,20的训练集，验证集，测试机分布。当数据量很大超过100万时，验证集和测试集可以在总量的10%以下当训练集的数据来源和验证集测试机不同时，最好确保验证集测试集来自同分布二、偏差和方差的理解 及如何根据二者调整模型...

原创 吴恩达第一课第三周第四周学习知识笔记 入门

一、激活函数的选择sigmoid函数很少用，除非你做的是二分分类，tanh函数很多时候都表现的比sigmoid优秀。但最常用的还是relu或者leaky relu 如果你不确定用什么就用relu,各函数的图形见下：二、吴恩达第一课第三周的反向传播推导出的数学公式如下注：在写代码的过程中要理解输入数据的维度，在计算中匹配好矩阵维度Python中的broadcast 是需要有一个维度相同的...

原创 深度学习入门之反向传播算法理解（吴恩达第一课第二周）

第一、把图片的三个通道矩阵转化为一个特征向量。这个特征向量的长度为长宽3.二、一般X代表的是所有输入的一个矩阵，每一列就是一个特征向量，即一张图片。Y代表的是所有的输出。一个行向量。而W则是一个参数矩阵，W中的每一个元素都和X1 X2 X…中的每一个元素相乘得到一个最终值。x和y的上标代表的是第i个样布的输入和输出损失函数和代价函数用下图所示的公式：如上图所示，我们最终的目的是要找到...