2 AndyViky

尚未进行身份认证

暂无相关描述

等级
TA的排名 13w+

各类GAN特征描述(持续更新)

各类GAN特征描述DC-GAN:structure:ps:(生成器的最后一层和判别器的第一层不加batch-norm)paper:http://arxiv.org/abs/1511.06434contributions:1将网络应用于GAN的训练。2为GAN的训练提供了一个很好的网络拓扑结构。3表明生成的特征具有向量的计算特性。weakness:1但是对GAN训练稳...

2019-07-20 16:46:09

DEC(Deep Embedded Cluster)小结

DeepEmbeddedClusterReferences:https://zhuanlan.zhihu.com/p/50365577https://flashgene.com/archives/7798.htmlhttps://zhuanlan.zhihu.com/p/28967965http://proceedings.mlr.press/v48/xieb16.pdf

2019-06-30 09:40:22

GANMM小结

GANMM小结简介GANMM(GenerativeAdversarialNetworkMixtureModel)是利用GAN进行聚类的一个模型,在传统聚类中非常典型的一个方法是利用高斯混合模型去匹配各个分布,高斯混合模型顾名思义就是利用多个高斯分布分别去拟合不同的分类,即有几个高斯分布就有几个聚类。但是高斯混合模型的最大缺点是无法拟合非常复杂的数据,在现实生活中大多数的数据并不...

2019-06-09 17:51:22

ClusterGAN知识小结

ClusterGAN知识小结简介ClusterGAN是第一个解决GAN在潜在空间聚类问题的工作,通过从一个one-hot编码变量和连续潜在变量的混合中对潜在变量进行采样,结合反向网络(将数据投射到潜在空间)与聚类特定损失共同训练,能够实现在潜在空间的聚类。主要贡献在一般的GAN中,即使潜在变量保留了关于观测数据的信息,潜在点也会基于潜在分布而平滑地分散,导致没有可观察到的聚类。为了解...

2019-06-02 19:47:25

高斯混合模型知识小结

高斯混合模型知识小结简介高斯混合模型(GaussianMixedModel)顾名思义,指的是多个高斯分布函数的线性组合,理论上GMM可以通过不同个数的高斯分布拟合出任意类型的分布。设有随机变量X,则混合高斯模型可以用下式表示:其中πk是混合系数(mixturecoefficient),满足:GMM的应用GMM一般用于聚类,有几个高斯分布函数即代表有几个分类,在GMM中选取一...

2019-06-01 22:56:22

空间转换网络(Spatial Transformer Networks)

空间转换网络(SpatialTransformerNetworks)普通的CNN能够显示的学习平移不变性,以及隐式的学习旋转不变性,但attentionmodel告诉我们,与其让网络隐式的学习到某种能力,不如为网络设计一个显式的处理模块,专门处理以上的各种变换。空间变换网络,允许神经网络学习如何在输入图像上执行空间变换,以增强模型的几何不变性,意思就是在对样本内容作微小的移动之后不会...

2019-05-27 22:48:50

Fast Gradient Sign Attack(FGSM)算法小结

FastGradientSignAttack(FGSM)算法小结对抗攻击引发了机器学习一系列的思考,训练出来的model是否拥有强大的泛化能力?模型的准确率是否真实?在对抗攻击中添加一些肉眼无法识别的噪声可能会对识别效果产生巨大的影响。什么是对抗攻击对抗攻击的核心思想就是人为地制造干扰项去迷惑模型,使模型产生错误的结果。在计算机视觉中,对抗攻击就是在原图上添加一些人为无法识别的噪声...

2019-05-26 18:45:29

BEGAN知识小结

BEGAN知识小结本文为阅读完BEGAN论文后作出的系统小结。论文地址简介BEGAN是Google在17年上半年出的一篇论文,该论文对GAN做了进一步的改进,使得在没有使用一些trick的时候GAN依旧可以训练的很好,模式奔溃和训练不平衡等问题也解决的非常好。以往的GAN都是希望生成器生成的model和真实数据的model分布尽量相近,BEGAN从loss的角度进行比较,希望生成器生成的...

2019-05-17 13:40:25

starGAN知识小结

starGAN知识小结本文为阅读完starGAN论文后作出的系统小结。论文地址starGAN顾名思义就是星型GAN结构,其解决的主要问题为multi-domain的image-to-image转换。相比于传统的拥有k个domain的多领域图片转换需要训练k(k-1)个generator,效率极其低下,也无法充分地利用到训练数据,同时传统的解决方法也无法衔接多个数据集的...

2019-05-14 16:10:17

numpy基础操作

numpy基础操作==================================================================numpy(NumericalPython)提供了python对多维数组对象的支持:ndarray,具有矢量运算能力,快速、节省空间。numpy支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。(1)创建数组的简单使...

2019-05-12 16:58:21

python核心学习(高级特性,字符串操作等)

python核心学习(高级特性,字符串操作。。。)==================================================================(1)基础特性1数据类型整数Number浮点数Float字符串String(可用单引号‘’以及双引号”“)布尔值Boolean(True,False)空值None2...

2019-05-12 15:42:24

常用正则表达式总结

常用正则表达式总结符号符号详解\将下一个字符标记为一个特殊字符、或一个原义字符、或一个向后引用、或一个八进制转义符。例如,“n”匹配字符“n”。“\n”匹配一个换行符。串行“\”匹配“\”而“(”则匹配“(”。^匹配输入字符串的开始位置。如果设置了RegExp对象的Multiline属性,^也匹配“\n”或“\r”之后的位置。$匹配输入字符串的结束位置。如果...

2019-05-02 17:27:18

deep learning入门(四)

DL入门(四)poweredby@李宏毅第十课(DRL概念)

2019-04-26 17:59:52

从docker容器中取出数据库

从docker容器中取出数据库或其他文件本文将详细讲述如何从linux服务器中取出已经部署的docker容器中的数据库表以及数据,并且将数据传送到本地服务器。step1在本地主机利用ssh登陆远程服务器。ssh`servername`@xxx.xx.xxx.xx-p端口号//输入正确的密码即可step2查看docker端口号以及进入docker容器环境dockerp...

2019-04-25 23:44:35

deep learning入门(三)

DL入门(三)poweredby@李宏毅第九课(GAN)

2019-04-23 22:43:44

deep learning入门(二)

DL入门(二)poweredby@李宏毅第四课(SequencetoSequence)1SequenceGeneration输入一个vector,输出也为一个vector。2ConditionalSequenceGeneration产生符合某种情景的句子或者图片…3DynamicConditionalSequenceGeneration假如输入的是...

2019-04-06 16:38:11

deep learning入门(一)

DL入门(一)poweredby@李宏毅第一课(DeepLearning概览)outline:1Universalitytheroy:使用一层的Neuralnetwork就可以fit所有的函数。whatistheL-Lipschitzfunction?output的变化一定要小于等于input的变化。howmanyneuronsareneeded...

2019-04-05 12:54:54

maching learning入门(六)

ml入门(六)poweredby@李宏毅第十五课(ReinforcementLearning)让机器根据不同的action将会得到不同的response,可能是不好的,也可能是好的。reinforcementlearning要做到的事情就是让reward最大化。有时reward的情况是非常sparse的,大部分reward的返回都为0。RL的难点在于如何在sparse的情况下得到...

2019-04-02 15:00:02

maching learning入门(五)

ml入门(五)poweredby@李宏毅第十三课(RNN,recurrentneuralnetwork,循环神经网络)全连接神经网络和卷积神经网络他们都只能单独的取处理一个个的输入,前一个输入和后一个输入是完全没有关系的。但是,某些任务需要能够更好的处理序列的信息,即前面的输入和后面的输入是有关系的。比如,当我们在理解一句话意思时,孤立的理解这句话的每个词是不够的,我们需要处理这些...

2019-04-02 10:14:28

maching learning入门(四)

ml入门(四)poweredby@李宏毅第十课(迁移学习)1modelfine-tuning(1)由于targetdata较少,容易过拟合,解决办法: 1conservativetraining(保守训练) copy大部分参数,update小部分参数 whichlayercanbetransferred(copied)?2multitasklea...

2019-04-01 11:20:52

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。