dsjdjsa-CSDN博客

原创欺诈类论文列表

https://www.ctolib.com/amp/benedekrozemberczki-awesome-fraud-detection-papers.html2020：Friend or Faux: Graph-Based Early Detection of Fake Accounts on Social Networks (WWW 2020)2019：SAFE: A Neural Survival Analysis Model for Fraud Early Detection (AAAI

2020-09-22 15:59:31 390

原创 numpy ndarry 快速替代nan值为0

data[np.isnan(data)] = 0

2020-09-19 18:20:30 7084

原创 pytorch cuda 欧式距离矩阵运算

输入为tensor矩阵向量欧式距离def get_elu_dis(data): return torch.sqrt((-2*data.mm(data.t()))+torch.sum(torch.square(data),axis=1,keepdim=True)+torch.sum(torch.square(data.t()),axis=0,keepdim=True))余玄距离def get_cos_dis(sentences_vec): sentences_vec = senten

2020-09-19 18:17:56 3202 1

原创 tf.shape(a)和a.get_shape()比较

2019-03-11 23:18:43 258

原创华擎主板 Bios进入（F8）

F8

2019-02-21 16:14:34 2545

原创 resnet50结构图

![这里写代码片](https://img-blog.csdn.net/20180814210843952?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxMDQ2MTM1/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

2018-08-14 21:09:07 66144 13

原创 DeepLab 笔记

三个贡献： 1. 使用上采样滤波器和Atrous卷积，Atrous卷积可以控制深度卷积神经网络中特征分辨率，能够有效扩大过滤器的视野范围，以便在不增加参数数量或计算量的情况下结合更大的上下文。 2. 提出了（ASPP）以在多个尺度上健壮地分割对象。用多采样率和有效感受野处理卷机特征层，以多尺度捕获对象以及图像上下文。 3. 结合DCNN和概率图模型，改进了对象边界的局部化。将DCNN最后一层...

2018-06-28 12:56:58 528

原创 install gpu record

ubantu16.04cuda8.0cuda6.0Anaconda3.0 (python3.6)tensorflow-gpu==1.4.1keras-gpu(with conda # conda install keras-gpu)

2018-03-10 16:03:26 298

原创 Mask R-CNN 翻译

摘要我们提出了一个概念上简单，灵活和通用的对象实例分割框架。我们的方法可以高效地检测图像中的物体，同时为每个物体生成高质量的分割蒙版。这种称为Mask R-CNN的方法通过添加一个用于预测对象掩码的分支来扩展更快的R-CNN，该分支与现有分支进行边界框识别并行。掩码R-CNN训练简单，只增加了一小部分开销，以更快的R-CNN，以5fps运行。此外，Mask R-CNN很容易推广到其他任务，例如...

2018-02-27 09:56:50 1353

原创 Fully Convolutional Networks for Semantic Segmentation 翻译

摘要卷积网络是功能强大的可视化模型，可以产生功能的层次结构。我们展示了卷积网络自身，像素到像素的端对端训练超过了语义分割的最新水平。我们的关键洞察力是建立“完全卷积”网络，可以输入任意大小的数据，并通过有效的推理和学习生成相应大小的输出。我们定义和详细说明完全卷积网络的空间，解释它们在空间密集预测任务中的应用，并且绘制与先前模型的连接。我们将当代分类网络（AlexNet [19]，VGG网络[31]

2018-02-25 20:25:24 2933 1

原创 python 获得目录中所有的文件列表

PATH = ‘文件夹路径’ 1、list_dir = os.listdir(PATH) 2、list_dir = next(os.walk(PATH))[1]

2018-02-06 18:34:37 22350

原创 dataframe 获取列名列表

DataFrame.columns.values.tolist()

2018-01-30 21:20:51 138335 12

原创 Visual Attention Based on Long-Short Term Memory Model for Image Caption Generation 论文笔记

图像描述现在存在问题：生成的描述很呆板、对图像里的物体描述的不够具体，用cnn提取图像特征，结合CNN和RNN产生一个端到端的图像生成系统，用词向量把单词长度不同的句子变成固定维度的向量。提出一个注意力机制通过可视化展示模型是如何让系统注意到图像中的明显的物体的。在三个数据及上做了测试，得到最佳的分数图像生成不仅要有能力去识别图像中的物体，还要有能力知道图像里物体与物体之间的关系，如今，机

2018-01-25 10:37:15 673

翻译连接图像和自然语言（翻译）二

深度学习的背景本章提供机器学习和神经网络的必要技术背景。我们推荐Goodfellow等人的“深度学习”一书。 [3]。2.1监督学习许多实际问题可以表述为需要计算机执行映射f：X→Y，其中X是输入空间，Y是输出空间。例如，在视觉识别中，X可以是图像的空间，Y可以是表示猫出现在图像某处的概率的区间[0,1]。不幸的是，在许多情况下，通过常规手段手动指定函数f是困难的（例如，不清楚如何写下识别猫的程

2018-01-03 15:24:49 616

翻译连接图像和自然语言（翻译）一

摘要人工智能领域的一个长期目标是开发可以感知和理解我们周围丰富的视觉世界的代理，并且可以用自然语言与我们沟通。由于计算基础设施，数据收集和算法的同步发展，在过去几年里，这个目标已经取得重大进展。视觉识别方面的进步尤为迅速，现在的计算机可以将图像分类为与人类相媲美的类别，甚至在某些情况下，例如对犬类进行分类，可以超越人类。然而，尽管取得了令人鼓舞的进展，但是视觉识别的大部分进展仍然是在为图像分配一个或

2018-01-03 14:09:32 2093 2

翻译从图像生成自动描述：对模型，数据集和评估方法的综述

摘要从自然图像生成自动描述是一个具有挑战性的问题，近来受到计算机视觉和自然语言处理社区的大量关注。在本次调查中，我们根据他们如何将这个问题概念化的现有方法进行分类，即将描述作为生成问题或作为视觉或多模态表征空间上的检索问题的模型。我们提供了对现有模型的详细回顾，突出其优点和缺点。此外，我们概述了评估机器生成图像描述质量的基准图像数据集和评估措施。最后，我们推断自动图像描述生成领域的未来方向。

2018-01-03 09:18:57 45225 7

翻译 Show and Tell: A Neural Image Caption Generator 翻译

摘要自动描述图像的内容是连接计算机视觉和自然语言处理的人工智能中的一个基本问题。在本文中，我们提出了一个基于深度重构架构的生成模型，它结合了计算机视觉和机器翻译方面的最新进展，可以用来生成描述图像的自然语句。训练该模型以最大化训练图像给出的目标描述句子的可能性。在几个数据集上的实验显示模型的准确性和它从图像描述中学到的语言的流畅性。我们的模型通常是相当准确的，我们从定性和定量两方面进行验证。例如，P

2017-12-30 19:41:15 9524 1

翻译 RNN 在图像描述生成中扮演的角色？（翻译）

摘要在图像描述生成系统中，递归神经网络（RNN）通常被视为主要的“生成”组件。这个观点表明图像特征应该被注入到RNN中。这实际上是文学中的主导观点。或者，RNN可以被视为仅对先前生成的词进行编码。这个观点表明，RNN只能用来编码语言特征，只有最后的表示与后期的图像特征“合并”。本文比较了这两种体系结构。我们发现，一般来说，后期合并优于注入，这表明RNN更好地被视为编码器，而不是发生器。引言图像描http://w

2017-12-25 15:09:21 3306

翻译图像特征应该在哪个阶段输入到图像描述生成器当中（翻译）

摘要图像标题生成是生成图像内容的自然语言描述的任务。一种方法是使用神经语言模型，一种逐个生成句子的神经网络。这些工作通过使用循环的神经网络（RNN），基于其前缀或“历史”来预测句子中的下一个单词。然后可以将该预测的单词附加到先前的前缀以便预测之后的单词，等等，直到生成整个句子。通过对图像特征进行预测，可以将简单的神经语言模型扩展为图像标题生成器。换句话说，语言模型不仅要输入前缀，还要输入图像。这就产

2017-12-25 09:54:19 4750

原创 Mac 环境下 CMake 安装

1、首先去cmake，官网，下载Mac操作系统对应的安装包https://cmake.org/download/2、在控制台输入 sudo “/Applications/CMake.app/Contents/bin/cmake-gui” –install3、输入 cmake –version 检查

2017-12-10 20:21:08 21871 1

原创 MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

We present a class of efficient models called MobileNets for mobile and embedded vision applications. MobileNets are based on a streamlined architecture that uses depth- wise separable convolutions to

2017-11-25 15:59:24 1480

翻译 Nonlinear Image Enhancement to Improve Face Detection in Complex Lighting Environment 翻译

Abstract: 摘要：A robust and efficient image enhancement technique has been developed to improve the visual quality of digital images that exhibit dark shadows due to the limited dynamic ranges of imagin

2017-11-12 19:38:11 824

翻译 Deep Visual-Semantic Alignments for Generating Image Descriptions 翻译

Abstract摘要We present a model that generates natural language descriptions of images and their regions. 我们提出一个模型来生成图像及其区域的自然语言描述。Our approach leverages datasets of images and their sentence descriptio

2017-11-12 10:54:40 2620 1

原创 titanic 罹难乘客预测

一、实验任务泰坦尼克号乘客的生存预测二、数据详细特征Variable Definition Key survival Survival 0 = No, 1 = Yes pclass Ticket class 1 = 1st, 2 = 2nd, 3 = 3rd sex Sex Age Age in years sibsp # of siblings / spou

2017-10-13 16:21:56 748

原创 (二) Basic Classification Example with TensorFlow

1、数据格式2、代码地址https://github.com/llSourcell/How_to_use_Tensorflow_for_classification-LIVE3、出处https://www.youtube.com/watch?v=4urPuRoT1sE&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3&index=4

2017-09-29 11:48:30 287

原创（一）How to Do Linear Regression using Gradient Descent

1、解决问题The optimal values of m and b can be actually calculated with way less effort than doing a linear regression.this is just to demonstrate gradient descent2、数据介绍3、代码 4、出处

2017-09-28 21:42:43 253

原创 (二)用 svm 识别手写体数字图片

一、解决问题手写体数字识别二、代码分析1、加载数据from sklearn.datasets import load_digitsdigits = load_digits()digits.data.shape2、数据分割from sklearn.cross_validation import train_test_splitX_train, X_test, y_train, y_test =

2017-09-20 22:13:54 1279

原创（一）监督学习模型之线性分类器

一、解决问题使用线性分类模型从事良／恶性肿瘤的预测任务二、数据地址http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data三、代码实现1、获得数据import pandas as pdimport numpy as npcolumn_n

2017-09-20 17:20:00 447

原创 Mac 端 coursera 视频总是缓冲或者无法观看解决

1、找到hosts文件 cd /private/etc/2、打开文件加入最后一行，如图3、刷新网页，即可观看

2017-08-24 12:06:53 6384

原创深度学习路线图参考

1、机器学习/深度学习/自然语言处理学习路线 http://www.cnblogs.com/cyruszhu/p/5496913.html2、深度学习论文阅读路线图 Deep Learning Papers Reading Roadmap https://github.com/songrotek/Deep-Learning-Papers-Reading-Roadmap

2017-08-24 09:10:40 3108

转载【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值 tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None) 除去name参数用以指定该操作的name，与方法有关的一共两

2017-08-21 16:43:22 284

原创 Tensorflow 实战 google 深度学习框架笔记（一）滑动模型

1、滑动模型是用来干嘛的？在采用随机梯度下降算法训练神经网络时，使用 tf.train.ExponentialMovingAverage 滑动平均操作的意义在于提高模型在测试数据上的健壮性（robustness）。2、原理tensorflow 下的 tf.train.ExponentialMovingAverage 需要提供一个衰减率（decay）。该衰减率用于控制模型更新的速度。该衰减率用于控制模

2017-08-21 08:58:18 540

原创如何看懂一篇学术论文

论文结构：摘要（abstract）导言（introduction）方法（methods）结果（results）结论或解析、讨论（conclusions／interpretations／discussion）步骤：1、先看导言先不看摘要，以防被作者对结果的解读灌输了先入之见2、找出问题所在即为什么要进行这项研究，这项研究在设法解决什么问题3、总结背景在解决这个问题之前，这一领域做过什么

2017-08-20 07:30:57 10292 1

原创 tf.nn.l2_loss

tf.nn.l2_loss(t, name=None)L2 Loss.Computes half the L2 norm of a tensor without the sqrt:output = sum(t ** 2) / 2Args:t: A Tensor. Must be one of the following types: float32, float64, int64, int32,

2017-08-19 18:01:53 6046

原创 Tensorflow 实战笔记（一）实现多层感知机

#!/usr/bin/env python3# -*- coding: utf-8 -*-"""Created on Sat Aug 19 14:44:17 2017@author: xiaolian"""import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = inpu

2017-08-19 15:52:00 565

原创莫烦 tensorflow 笔记（二） CNN

结构：1、convolutional layer1 + max pooling; 2、convolutional layer2 + max pooling; 3、fully connected layer1 + dropout; 4、fully connected layer2 to prediction.代码：#!/usr/bin/env python3# -*- coding: utf-

2017-08-19 11:38:28 3551

原创 tf.truncated_normal

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) In [9]: a = tf.truncated_normal([2, 4])In [10]: sess = tf.Session()In [11]: sess.run(a)Out[11]: array([[ 0.575

2017-08-19 10:34:10 310

原创 tf.random_normal

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)In [5]: tf.random_normal([2,3])Out[5]: <tf.Tensor 'random_normal_1:0' shape=(2, 3) dtype=float32>In [6]: a = tf.ra

2017-08-19 10:30:33 717

原创莫烦 tensorflow 笔记（一）搭建神经网络

#!/usr/bin/env python3# -*- coding: utf-8 -*-"""Created on Wed Aug 16 08:56:03 2017@author: xiaolian"""# add layersimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# input

2017-08-19 10:06:57 1018

原创神经网络与深度学习笔记（五）validation_data 的作用

**为何要用 validation_data 而不是 test_data 来防止过度拟合？为何要用 validation_data 而不是 test_data 来设置更好的超参数？**如果我们设置超参数是基于 test_data 的话，可能我们最终就会得到过度拟合于 test_data 的超参数，但是网络性能并不能够泛化到其他数据集合。我们用 validation_data 来克服这个问题，一旦获

2017-08-15 09:23:49 9759

中文停用词

xgboost介绍

确定性快速排序与随机化快速排序的比较

android.jar

空空如也