不系之舟的专栏-QQ讨论群331590339

我希望是云能和岁月并肩而行永远不懂什么是离情；是风有一颗宽容的心能接纳每一种感情

转载深度学习调参技巧汇总

1、深度学习训练的小技巧，调参经验。总结与记录。http://blog.csdn.net/chenzhi1992/article/details/52905569 2、深度学习（deep learning）优化调参细节（trick）http://blog.csdn.net/h4565445654/article/details/70477979 3、深度学习 14. 深度学习调参，CNN参数调...

2018-02-28 09:21:01 1058 1

原创 win7+VS2013下编译OpenCV3.4与到的一些坑

win7+VS2013下编译OpenCV3.4与到的一些坑编译前的准备编译过程遇到的问题1、编译前的准备 1.1、安装win7系统和下载VS2013并安装 1.2、下载OpenCV3.4 GitHub 链接 https://github.com/opencv/opencv/releases 1.3、在 GitHub 中下载 opencv_contrib 的源码压缩包（此...

2018-02-24 16:55:34 2765 2

转载 HOG理论+SVM介绍+（hog+svm组合行人检测）

HOG理论+SVM介绍+（hog+svm组合行人检测）1、hog理论梯度直方图特征(HOG) 是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行...

2018-02-22 10:23:56 4915

原创深度学习与计算机视觉核心技术与应用（学习目录简介）

无意中看到举办的深度学习与计算机视觉的课程培训，看到培训的内容，很是感兴趣，有种把之前零散学习到的东西进行了一次总结。因此我想根据培训课程的目录把我之前的学习的一些内容以及个人经验进行一次全面的总结，也当做一次复习吧！　　深度学习是近十年来人工智能领域取得的重要突破。它在计算机视觉、图像与视频分析、语音识别、自然语言处理、多媒体等诸多领域的应用跨入高速发展期。对行业从业人员的技术要求也在日益

2016-11-30 09:32:45 2076 1

原创 Caffe学习总结（四）——使用mnist训练模型识别一张手写数字图像

1、简述2、实现过程3、结果

2016-09-12 12:20:37 921

转载解决在matplotlib使用中文的问题

原生的matplotlib并不支持直接使用中文，而需要修改一下相应的文件，上网搜了下，找到一个最简洁的办法。NO.1找到matplotlibrc文件C:\Python26\Lib\site-packages\matplotlib\mpl-data\matplotlibrc(Windows)/usr/share/matplotlib/mpl-data/matplotlibrc (Linux)NO.2找

2016-09-12 10:39:10 1160

原创《机器学习实战》学习（三）——决策树实例

实例一《机器学习》书中4.3习题1、问题描述试编程实现基于信息熵进行划分选择的决策树算法，并为表4.3中数据生成一棵决策树，表4.3数据如下：‘色泽’,’根蒂’,’敲声’,’纹理’,’脐部’,’触感’,’密度’,’含糖率’ 青绿蜷缩浊响清晰凹陷硬滑 0.697 0.46 是乌黑蜷缩沉闷清晰凹陷硬滑 0.774 0.376 是

2016-09-11 22:01:33 15847 2

翻译《机器学习实战》学习（二）——决策树（DT）

1、决策树简述决策树学习是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。在周志华老师的《机器学习》这本书中专门一章节对决策树进行了讲述。并对id3算法后的改进算法也做了相应的介绍。决策树容易导致过拟合现象，介绍了预剪枝和后剪枝等相关的处理方法。决策树依赖测试集，可以把测试集生成的树结构序列化存到文件中，下次使用可以很快进行加载。一个牛人对决策树的总结，我觉得很有道理，

2016-09-11 21:57:35 3051

原创 Caffe学习总结（三）——mnist手写字库识别例程（1）

了解了几天的caffe，今天终于开始跑第一个例程了，使用caffe进行手写数字识别。此库使用了比较流行的数字库mnist。可以从官网中了解到mnist总共有60000张样例图像，其中10000张用于测试使用，50000张用于学习训练。这些数据已经序列化成一定的格式。刚刚搭建起caffe的环境，于是就想跑一个测试程序，尝试体验一下caffe。没想到遇到一大堆没有看明白的东西，差点放弃。后来经过认真

2016-09-06 15:38:13 2459

原创 Caffe学习总结（二）——caffe环境搭建

我尝试使用VS2013+win7+caffe进行学习1、需准备的资料（1）VS2013下载地址微软Visual Studio 2013旗舰版(VS2013中文版下载)官方中文版 http://download.microsoft.com/download/0/7/5/0755898A-ED1B-4E11-BC04-6B9B7D82B1E4/VS2013_RTM_ULT_CHS.iso Visu

2016-09-05 11:14:28 2332

原创 Python中使用matPlotlib绘图-曲线图、柱状图、散列点

收集了使用matplotlib绘制曲线图、柱状图、散列点的绘制方法实现代码如下import matplotlib #导入matplotlib库from numpy import *import numpy as npimport matplotlib.pyplot as plt#画曲线图fig = plt.figure()def f(x1, c): m1 = sin(2*

2016-09-01 17:46:24 9017

原创《机器学习实战》学习（一）——k-近邻算法（kNN）

1、k近邻算法的理解K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。可以简单的理解为是通过测量与不同特征值之间的距离来进行分类。书中采用欧式距离实现k近邻算法。2、书中例子的Python实现与

2016-09-01 17:00:50 656

转载十个值得一试的开源深度学习框架

本周早些时候Google开源了TensorFlow（GitHub），此举在深度学习领域影响巨大，因为Google在人工智能领域的研发成绩斐然，有着雄厚的人才储备，而且Google自己的Gmail和搜索引擎都在使用自行研发的深度学习工具。无疑，来自Google军火库的TensorFlow必然是开源深度学习软件中的明星产品，登陆GitHub当天就成为最受关注的项目，当周获得评星数就轻松超过1万个。对于希

2016-09-01 09:42:01 999

原创 Caffe学习总结（一）——初识caffe

深度学习在当前情况下可以用一个字来形容“火”，目前项目中使用到了常用的机器学习算法，在使用过程中发现图像的特征提取成为识别的瓶颈，无意中了解到caffe，可以很好的解决特征提取的问题。于是想尝试一下caffe的威力。初识caffe，就习惯性了想了解下作者，发现设计作者是贾杨清，终于发现一个牛逼的框架是我们中国人做的啦！于是很兴奋，很想深入的进行学习，希望能在工作中使用起来。1、caffe的由来2、c

2016-08-31 16:58:57 1795

原创周志华《机器学习》之第14、15、16章概念总结

14章：概率图模型参阅：http://www.cnblogs.com/ironstark/p/5229085.html15章：规则学习参阅：http://blog.csdn.net/pallypally/article/details/803215816章：强化学习参阅：http://my.oschina.net/stone8oy/blog/270349总结：至此就将周老师的机器学习这本书采用走

2016-08-31 13:58:21 595

原创周志华《机器学习》之第十三章（半监督学习）概念总结

在前面章节中接触到的大部分都是监督学习方法以及无监督学习方法（聚类），这章讲述的半监督学习，我个人理解，应该是存在一部分标记样本，但是又不足以训练出一个良好性能的学习器，因此采用将其它未标记样本加入其中进行训练，这样的学习称为半监督学习。对半监督的理解可参阅http://blog.csdn.net/yhdzw/article/details/227333711、未标记样本2、生成式方法3、半监督

2016-08-30 11:08:30 2387

原创周志华《机器学习》之第十二章（计算学习理论）概念总结

看到12章，题目叫计算学习理论，当时一萌，这是干什么用的呢？前面的章节中基本都是讲述了一些机器学习的一些常用方法。看到这个标题我的第一反应应该是理论方面的研究，那是否对计算与学习这两方面的理论研究呢？既然是理论的东西，我想对于一般应用机器学习算法的来说，可能意义不大吧！但是我个人认为有可能也可以指导我们进行算法设计。周老师数据对计算学习理论这么描述的，（是关于机器学习的理论基础，其目的是分析学习任务

2016-08-30 10:28:13 1709

原创周志华《机器学习》之第十一章（特征选择与稀疏学习）概念总结

在做图像识别的程序中，我们经常遇到特征这个词语，也常有特征提取作为识别的前序工作，通常我们可以根据提取到的特征，根据应有特征进行对比，最终完成对物体缺陷等的识别。那么在提取到的众多特征中，如何有效的提取到能很好进行分类的特征呢？在识别过程中，往往通过经验总结，或直接的抽象特征作为判别条件。在机器学习中，周老师讲到的特征选择，我想也是对属性空间中所有特征，进行一个筛选，选择出有效特征。我想我们也可以理

2016-08-29 17:53:48 4466

原创敏捷开发相关讨论

列举一些对敏捷开发模式比较实用的文章： 1、敏捷开发流程总结 http://blog.csdn.net/alvanchen/article/details/5749872 2、创业公司如何实施敏捷开发 http://www.lanceyan.com/chuangye/chuangye_agile_scrum.html 3、JAVA敏捷开发环境搭建 http://www.lanceyan.

2016-08-26 15:58:30 611

原创周志华《机器学习》之第十章（降维与度量学习）概念总结

降维在一起图像识别过程也经常被采用的一种分类算法，例如二维数据经过投影变为一维数据，从而更好的表征数据的特征，再进行识别。在前面章节中提到过LDA（线性判别分析）也可以当做一种简单降维处理。在周老师的这章中主要讲述PCA主成分分析算法对高维数据进行降维。降维是一种解决维数灾难的重要途径。书中从如下几节进行介绍：1、K邻近学习2、低维嵌入3、主成分分析（PCA）4、核化线性降维5、流形学习6、度量学习

2016-08-26 13:59:37 3390 1

原创 halcon例程学习笔记（11）一维码、二维码识别

1、一维条码一维条码：由一组规则排列的条、空以及对应的字符组成的标记，“条”指对光线反射率较低的部分，“空”指对光线反射率较高的部分，这些条和空组成的数据表达一定的信息，并能够用特定的设备识读，转换成与计算机兼容的二进制和十进制信息。一维条码的码制： EAN码、39码、交叉25码、UPC码、128码、93码，ISBN码，及Codabar（库德巴码）等。 EAN 码：是国际通

2016-08-26 13:49:53 22489

原创周志华《机器学习》之第九章（聚类）概念总结

记得在读研期间，去选修数据挖掘与数据仓库这门课，当时老师讲的很多的一个知识点，那就是聚类分析，然后老师讲了很多什么关联分析等等，很多都忘记了，当时也是听得云里雾里的。看完周老师在机器学习这本书中提到的聚类，大概理解了聚类能做什么，能解决什么样的问题。周老师在数据介绍了多种聚类算法。聚类可以说是一种无监督的学习，也就是说在训练样本中对应的标记信息是没有的，目标是通过对无标记训练样本的学习来揭示数据内在

2016-08-26 10:20:40 2306

原创周志华《机器学习》之第八章（集成学习）概念总结

看完集成学习类容，最大的感受就是学习了众多机器学习算法，各有优缺点，那么如何集各大算法优点使得最优的完成任务呢？那就是本章提到的集成学习。周老师书中按如下章节介绍：1、个体与集成2、Boosting3、Bagging与随机森林4、结合策略5、多样性

2016-08-19 15:56:13 2924

原创周志华《机器学习》之第七章（贝叶斯分类器）概念总结

贝叶斯分类器是利用概率的知识完成数据的分类任务，在机器学习中使用贝叶斯决策论实施决策的基本方法也是在概率的框架下进行的，它是考虑如何基于这些概率和误判损失来选择最优的类别标记。贝叶斯决策论条件风险：极大拟然估计朴素贝叶斯分类器半朴素贝叶斯分类器贝叶斯网EM算法

2016-08-19 14:18:48 3508 1

原创 halcon例程学习笔记（10）---图像灰度共生矩阵cooc_feature_image.hdev

灰度共生矩阵灰度共生矩阵定义为像素对的联合分布概率，是一个对称矩阵，它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，但也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。设f(x,y)为一幅数字图像，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：其中#(x)表示集合x中的元素个数，显

2016-08-17 10:08:41 7997

转载全球30篇最热门的计算机视觉和深度学习论文

这是一份被国外专家引用最多的计算机视觉和深度学习论文清单。本文整理来自http://www.afenxi.com/post/19793 在2012年，我整理了一份有关计算机视觉的热门论文清单。我把论文的研究重点放在视觉科学上，避免其与图形处理、调研和纯静态处理等方向产生重叠。但在2012年后随着深度学习技术的兴起，计算机视觉科学发生了巨大的变化–从深度学习中产生了大量的视觉科学基线。虽然不知道

2016-08-17 08:56:56 1476

原创 Halcon：获取Image图像中Region区域的特征参数

1、area_center_gray ( Regions, Image : : : Area, Row, Column ) 计算Image图像中Region区域的面积Area和重心（Row，Column）。2、 cooc_feature_image ( Regions, Image : : LdGray, Direction : Energy, Correlation, Homogeneity,

2016-08-16 16:54:58 3718

原创周志华《机器学习》之第六章（支持向量机）概念总结

在之前就一直总是零零碎碎了解过这个热及一时的统计学方法对样本进行分类的支持向量机算法。一直想系统的了解一下支持向量机这个很强的分类算法，有幸在周老师的机器学习这本书中进行系统的学习。这里我只列出一些需要重点理解的概念，以方便以后自己进行回顾，在博客中也阅读了牛人写的一篇对svm有详细介绍的文章，文章分三层介绍，不过总之来讲可以说跟周老师讲解的很相近，附上链接 http://blog.csdn.

2016-08-16 14:27:14 1418

原创周志华《机器学习》之第五章（神经网络）概念总结

记得在读研期间认真学习过神经网络这门课程，当时老师讲得也挺细的，自己当时觉得理论也学得还不错，在结课的时候记得用BP神经网络C++实现过一个简单的验证码识别程序，所以对BP神经网络理解还是有一定记忆的，今天看完周老师的这本机器学习书中讲解的神经网络，又对之前的学习做了一个回顾。虽然没有哪门专门的课程哪门细致，但是也足够让我了解到神经网络应用到机器学习中的意义。特别是在最后小节中讲述了深度学习，目前深

2016-08-16 11:05:57 2166

转载 Keras/Python深度学习中的网格搜索超参数调优（附源码）

超参数优化是深度学习中的重要组成部分。其原因在于，神经网络是公认的难以配置，而又有很多参数需要设置。最重要的是，个别模型的训练非常缓慢。在这篇文章中，你会了解到如何使用scikit-learn python机器学习库中的网格搜索功能调整Keras深度学习模型中的超参数。阅读本文后，你就会了解：如何包装Keras模型以便在scikit-learn中使用，以及如何使用网格搜索。如何网格搜索常见的神经

2016-08-16 08:49:13 12516 1

原创周志华《机器学习》之第四章（决策树）概念总结

看完周老师的决策树章节，首先从内容安排上采用了循序渐进的方式引入介绍决策树这种分类算法。书中从基本流程、划分选择、剪枝处理、连续与缺失值、多变量决策树五个方面进行详细介绍。看完之后我们如何理解决策树呢？ 1、决策树的概念：首先我们可以明确决策树同其他机器学习算法一样，是一种解决分类问题的算法。从名字上我们可以看出决策树是一颗树的存储结构，图显示的话，这个算法应该就是一颗数。在机器学习中，一颗决策树

2016-08-15 14:41:51 1489

转载大津法---OTSU算法

OPENCV的二值化操作中，有一种“大津阈值处理”的方法，使用函数cvThreshold(image,image2,0,255,CV_THRESH_OTSU) 实现，该函数就会使用大律法OTSU得到的全局自适应阈值来进行二值化图片，而参数中的threshold不再起作用。 OTSU算法 OTSU算法也称最大类间差法，有时也称之为大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算

2016-08-15 10:02:47 945

原创周志华《机器学习》之第三章（线性模型）概念总结

阅读之后，根据周志华老师对本章节的安排，首先从线性模型的基本形式入手，逐渐引入线性回归、对数几率回归、线性判别分析（LDA）、多分类学习等多种线性模型，最后针对类别不平衡问题总结了一些相关的解决思路 1）线性模型的基本形式一般用向量形式写成 f(x)=wTx+bf(x) = w^Tx+b 线性模型形式简单、易于建模，却蕴涵着机器学习中的一些重要的基本思想。许多功能更为强大的线性模型（nonl

2016-08-12 14:58:43 3379

原创周志华《机器学习》之第二章（模型评估与选择）概念总结

本书第二章主要从经验误差与过拟合、评估方法、性能度量、比较检验、偏差与方差几个方面进行介绍 1）经验误差与过拟合错误率：表示分类错误的样本占总样本数的比例即: 错误率=错误分类样本数样本总数错误率= \frac {错误分类样本数} {样本总数} 精度 = 1- 错误率误差：表示学习器的实际预测输出与样本真实输出直接的差异训练误差与经验误差

2016-08-12 14:05:31 800

转载周志华《机器学习》之第一章（绪论）概念总结

1）回归与分类：利用机器学习对离散值进行预测时，称为“分类”，而对连续值进行预测时，称为“回归”。 2）监督学习与无监督学习：根据训练数据是否有标记信息，学习任务可大致分为两大类，“监督学习”与“无监督学习”，分类和回归是前者的代表，聚类则是后者的代表。机器学习的常用方法，主要分为有监督学习(supervised learning)和无监督学习(unsupervised learning)

2016-08-12 11:13:09 625

转载牛人对机器学习常用方法的总结

机器学习（MachineLearning），在我看来就是让机器学习人思维的过程。机器学习的宗旨就是让机器学会“人识别事物的方法 ”，我们希望人从事物中了解到的东西和机器从事物中了解到的东西一样，这就是机器学习的过程。在机器学习中有一个很经典的问题：“假设有一张色彩丰富的油画，画中画了一片茂密的森林，在森林远处的一棵歪脖树上，有一只猴子坐在树上吃东西。如果我们让一个人找出猴子的位置，正常情

2016-07-21 17:14:33 950

转载 VC串口通信

在工业控制中，工控机（一般都基于Windows平台）经常需要与智能仪表通过串口进行通信。串口通信方便易行，应用广泛。一般情况下，工控机和各智能仪表通过RS485总线进行通信。RS485的通信方式是半双工的，只能由作为主节点的工控PC机依次轮询网络上的各智能控制单元子节点。每次通信都是由PC机通过串口向智能控制单元发布命令，智能控制单元在接收到正确的命令后作出应答。　　在Win32下，可以使

2014-05-04 18:19:25 910

转载 C++ string 详解

C++ string 详解2007-04-22 11:05前言: string 的角色 1 string 使用1.1 充分使用string 操作符1.2 眼花缭乱的string find 函数1.3 string insert, replace, erase 2string 和 C风格字符串3 string 和 Charactor Traits4 strin

2014-02-27 12:32:05 1024

转载 C++map的基本操作和使用

C++map的基本操作和使用 1、map简介map是一类关联式容器。它的特点是增加和删除节点对迭代器的影响很小，除了那个操作节点，对其他的节点都没有什么影响。对于迭代器来说，可以修改实值，而不能修改key。2、map的功能自动建立Key － value的对应。key 和 value可以是任意你需要的类型。根据key值快速查找记录，查找的复杂度基本是L

2014-02-27 12:29:53 665

转载 WebSocket协议

这两年中，HTML5发展的如火如荼，再不学习一下，觉得自己都落后了。说到HTML5，最让我惊心动魄的特性我觉得就是全新的WebSocket通信协议了。有"Web通信TCP"之称的 WebSocket的出现使得浏览器提供对 Socket 的支持成为可能，从而在浏览器和服务器之间提供了一个基于TCP连接的双向通道。Web开发人员可以非常方便地使用WebSocket构建实时web应用。Web的交

2014-02-10 13:14:13 1330