- 博客(42)
- 收藏
- 关注
RSS订阅原创 《穷爸爸富爸爸》 罗伯特·清崎丨读书笔记
0.随想其实关于理财的书这并不是我阅读的第一本，我的第一本书是小狗钱钱，与这本书相比较，小狗钱钱更多的是教导一个人如何去理财，用什么方式去理财。我通过小狗钱钱这本书，了解了人生中的三笔钱，了解了如何去规划资产，攒下了不少的钱。不过人的提升欲望总是无穷的，于是我又通过聆听，浅尝了理财观念培养的一大神书-穷爸爸富爸爸爸。其实我发现，这类神书统一都有一些特点比如简单、善于理解、循循善诱以及通篇举例...
2021-07-03 14:27:00
90
原创 基于结构光投影三维重建：格雷码编码与解码
一 单目结构光编码目的类似于双目，如果把投影仪看成一个逆相机，直到空间中的一点成像平面的位置，就可以知道空间中一点的坐标。编码的目的：知道打在物体物体表面的光是从投影仪的那个像素发出来的，就知道在投影仪的虚拟成像位置。二 格雷码的编码与解码2.1 格雷码vs二进制码格雷码是一种二进制码，最大的特点是相邻格雷码编码只有一位不同。所以格雷码解码更稳定，相对不容易出错。体现在明暗交接处变换更少：对于格雷码来说，明暗交接处变换更少，如图所示二进制下部有7次变换，而格雷码只有4次。黑白交接的
2021-04-07 08:53:37
1705
原创 给CNN添加TVloss函数
接了导师的活，要求把TVloss加入到已经写好的DnCNN里，下面是tvloss代码：class TVLoss(nn.Module): def __init__(self, TVLoss_weight=1): super(TVLoss, self).__init__() self.TVLoss_weight = TVLoss_weight def forward(self, x): batch_size = x.size()[0]
2021-04-01 09:58:46
1066
1
原创 给CNN添加TVloss的随记
接了导师的活，要求把TVloss加入到已经写好的DnCNN里，下面是tvloss代码：class TVLoss(nn.Module): def __init__(self, TVLoss_weight=1): super(TVLoss, self).__init__() self.TVLoss_weight = TVLoss_weight d...
2021-04-01 09:55:00
67
原创 三维重建论文笔记 DeMoN:Depth and Motion Network for Learning Monocular Stereo
本文是学习总结的笔记，仅供个人学习使用。1. introduction在这篇文章中，作者训练了一个端到端的卷积网络，以从连续无约束的图像对中计算深度和摄像机运动。该体系结构由多个堆叠的编解码器网络组成，核心部分是一个能够改进自身预测的迭代网络。该网络不仅估计深度和运动，而且还估计表面法线、图像之间的光流和匹配的置信度。该方法的一个重要组成部分是基于空间相对差异的训练损失。与传统的基于运动方法的双框结构相比，结果更准确，鲁棒性更强。与流行的Depth-from-Single-Image网络不同的是，DEM
2021-03-17 17:37:02
621
原创 三维扫描系列 点云绪论
本文是学习肖勇大神的点云课程总结的笔记，仅供个人学习使用。肖勇Mapping & Localization Technical Specialist @ Lucid Motors，主要从事无人车地 图和定位算法研发。先后参与 Lyft、百度无人车 项目开发。密歇根大学土木工程博士，中科院遥 感与数字地球研究所地图学硕士，武汉大学测绘 工程学士。点云数据及获取定义点云：三维点的数据集合属性三维坐标强度颜色时间戳分类点云组织形式：organize
2021-03-15 08:34:54
1812
原创 三维扫描系列001 点云绪论
本文是学习肖勇大神的点云课程总结的笔记，仅供个人学习使用。肖勇Mapping & Localization Technical Specialist @ Lucid Motors，主要从事无人车地 图和定位算法研发。先后参与 Lyft、百度无人车 项目开发。密歇根大学土木工程博士，中科院遥 感与数字地球研究所地图学硕士，武汉大学测绘 工程学士。点云数据及获取定义点云：三...
2021-03-15 08:18:00
54
原创 利用蒙特卡洛方法实现21点问题的最优解
想要获取完整代码，请访问面包多进行支持哦，仅需一口奶茶的钱！一、实验目的实现基于蒙特卡洛法的21点问题的最优解，了解强化学习的基本原理，理解蒙特卡洛法并编写相应的代码。二、实验内容赌场上流行的21点纸牌游戏的目的是获得其数值之和尽可能大而不超过21的牌。所有的人形牌面都算作10，而A可以算作1或11。我们的实验仅考虑每个玩家独立与庄家竞争的版本。游戏开始时，庄家和玩家都有两张牌。庄家的一张牌面朝上，另一张牌面朝下。如果玩家有21张牌（一张A和一张10牌），则称为自然牌。他就赢了，除非庄家也有自然牌，
2020-12-19 12:56:32
1726
4
原创 利用蒙特卡洛方法实现21点问题的最优解(内含python源码)
想要获取完整代码，请访问面包多进行支持哦，仅需一口奶茶的钱！一、实验目的实现基于蒙特卡洛法的21点问题的最优解，了解强化学习的基本原理，理解蒙特卡洛法并编写相应的代码。二、实验内容赌场上流行的21点纸牌游戏的目的是获得其数值之和尽可能大而不超过21的牌。所有的人形牌面都算作10，而A可以算作1或11。我们的实验仅考虑每个玩家独立与庄家竞争的版本。游戏开始时，庄家和玩家都有两张牌。庄家的一...
2020-12-19 12:52:00
40
原创 基于最近邻法手写数字识别(内附python源码)
本实验代码已上传面包多，请点击购买，或者关注[全都是码农]公众号，回复[最近邻]，限时免费获取！实验概述本实验皆在运用OpenCV、Python等工具采用适当的算法对手写体数字进行识别与检测，可以提供训练集与测试集进行训练，并可以输入手写字体进行测试检验。通过独立的完成本实验，可以极大地提高本人对于Python、OpenCV的理解，掌握手写数字的特征提取技术和最近邻模板匹配法。环境说明...
2020-11-28 20:53:00
29
原创 基于最近邻法手写数字识别设计(内附python源码)
本实验代码已上传面包多，请点击购买，或者关注[全都是码农]公众号，回复[最近邻]，限时免费获取！实验概述本实验皆在运用OpenCV、Python等工具采用适当的算法对手写体数字进行识别与检测，可以提供训练集与测试集进行训练，并可以输入手写字体进行测试检验。通过独立的完成本实验，可以极大地提高本人对于Python、OpenCV的理解，掌握手写数字的特征提取技术和最近邻模板匹配法。环境说明系统：window 10软件：PyCharm Community Edition 2020.2.2 x64语言
2020-11-28 20:41:53
406
1
原创 汽车模糊推理系统实验
一、实验目的理解模糊逻辑推理的原理及特点，熟练应用模糊推理，了解可能性理论。模糊推理所处理的事物自身是模糊的，概念本身没有明确的外延，一个对象是否符合这个概念难以明确地确定，模糊推理是对这种不确定性,即模糊性的表示与处理。模糊逻辑推理是基于模糊性知识(模糊规则的一种近似推理，一般采用Zadeh 提出的语言变量、语言值、模糊集和模糊关系合成的方法进行推理。二、实验内容假设两汽车均为理想状态，即，Y为速度，U为油门控制输入。（1）设计模糊控制器控制汽车由静止启动，追赶200m外时速90km的汽车并与其
2020-11-23 16:57:08
8617
2
原创 浅析机器视觉在医疗影像处理中的应用
浅析机器视觉在医疗影像处理中的应用以人工智能，大数据和云计算为代表的新型电子信息产业的快速发展，极大地改善了人们的生活，促进了技术的不断进步。技术创新和智能产品以井喷的形式呈现。在人工智能风潮的影响下，现有的电子信息产业链条正逐步转变为网络信息产业智能网，电子信息产业的新增长点和边界也越来越大。随着科学技术的飞速发展，单一目标的低精度识别已不能满足社会生产的需求，基于人工智能的图像识别技术已经成为时代的要求。识别图片的目的是将存储的信息与实际信息（当时的感官输入信息）进行比较，以实现图片识别。图像描述是
2020-11-23 16:53:26
2029
原创 [一起面试AI]NO.11 熵、联合熵、条件熵、KL散度、互信息定义
熵在物理中是用于衡量一个热力学系统的无序程度，表达式为△S=Q/T，其中Q是吸收或者释放的热量，T是温度。计算机领域将其定义为离散随机事件出现的概率。一个系统越是有序信息熵就会越低；反之，系统越是混乱，信息熵就越高。「联合熵」 两个随机变量X，Y的联合分布可求得联合熵。「条件熵」 在随机变量X发生的前提下，随机变量Y带来的新的熵，即为Y的条件熵。其含义是衡量在已知随机变量X的条件下随机变...
2020-07-05 09:37:00
20
原创 熵、联合熵、条件熵、KL散度、互信息定义
熵在物理中是用于衡量一个热力学系统的无序程度，表达式为△S=Q/T，其中Q是吸收或者释放的热量，T是温度。计算机领域将其定义为离散随机事件出现的概率。一个系统越是有序信息熵就会越低；反之，系统越是混乱，信息熵就越高。「联合熵」 两个随机变量X，Y的联合分布可求得联合熵。「条件熵」 在随机变量X发生的前提下，随机变量Y带来的新的熵，即为Y的条件熵。其含义是衡量在已知随机变量X的条件下随机变量Y带来的新的熵即为Y的条件熵。「KL散度」 两个概率分布（probability distribution）间
2020-07-05 09:35:21
493
原创 什么是数据不平衡问题，应该如何解决
数据不平衡又称样本比例失衡，比如二分类问题，如果标签为1的样本占总数的99%，标签为0的样本占比1%则会导致判断「失误严重」，准确率虚高。常见的解决不平衡问题的方法如下。「数据采样」 数据采样分为上采样和下采样，上采样是将少量的数据通过重复复制使得各类别比例均衡，不过很容易导致过拟合问题，所以需要在新生成的数据中加入随机扰动。 下采样则相反，下采样是从多数类别中筛选出一部分从而使得各类别数据比例维持在正常水平，但容易丢失比较重要的信息，所以应该多次随机下采样。 「数据合成」是利用已有样本的特征
2020-07-05 09:34:34
7284
原创 [一起面试AI]NO.10 什么是数据不平衡问题，应该如何解决
数据不平衡又称样本比例失衡，比如二分类问题，如果标签为1的样本占总数的99%，标签为0的样本占比1%则会导致判断「失误严重」，准确率虚高。常见的解决不平衡问题的方法如下。「数据采样」数据采样分为上采样和下采样，上采样是将少量的数据通过重复复制使得各类别比例均衡，不过很容易导致过拟合问题，所以需要在新生成的数据中加入随机扰动。下采样则相反，下采样是从多数类别中筛选出一部分从而使得各类别数...
2020-04-27 21:54:00
44
原创 python批量添加hexo文章封面
❝本文需要工具：「excel」「python3.x」❞今天突然觉得，我的博客的文章更新这么多了竟然还没有一个封面，觉得首页相当低调了…首页正好皮肤带有文章封面功能，所以我觉得要将文章批量加上文章推图！1.寻找图片推荐大家一个网站：https://www.pexels.com/找到你想要的页面：然后无脑ctrl+s….：按照类型分组然后将jpeg或者你想要的文件留下，全...
2020-04-19 16:40:08
473
原创 如何判断函数凸或非凸？
首先定义凸集，如果x，y属于某个集合M，并且所有的θx+(1-θ)f(y)也属于M，那么M为一个凸集。如果函数f的定义域是凸集，并且满足f(θx+(1-θ)y)≤θf(x)+(1-θ)f(y)则该函数为凸函数。如果函数存在二阶导并且为正，或者多元函数的Hessian矩阵半正定则均为凸函数。「注意」：中国大陆数学界某些机构关于函数凹凸性定义和国外的定义是相反的。Convex Function...
2020-04-17 12:13:00
8206
原创 [一起面试AI]NO.9 如何判断函数凸或非凸
首先定义凸集，如果x，y属于某个集合M，并且所有的θx+(1-θ)f(y)也属于M，那么M为一个凸集。如果函数f的定义域是凸集，并且满足f(θx+(1-θ)y)≤θf(x)+(1-θ)f(y)则该函数为凸函数。如果函数存在二阶导并且为正，或者多元函数的Hessian矩阵半正定则均为凸函数。「注意」：中国大陆数学界某些机构关于函数凹凸性定义和国外的定义是相反的。Convex Functio...
2020-04-17 12:11:00
49
原创 [一起面试AI]NO.8 在机器学习中，常用的损失函数有哪些？
「(1) 0-1 loss」记录分类错误的次数。「(2)Hinge Loss」最常用在SVM中「最大优化间隔分类」中，对可能的输出t=±1和分类器分数y，预测值y的hinge loss定义如下：L(y)=max(0.1-t*y)「(3)Log Loss对数损失」对于「对数函数」，由于其具有「单调性」，在求最优化问题时，结果与原始目标一致，在含有乘积的目标函数中(如极大似然函数)，通过...
2020-04-16 08:45:00
16
原创 机器学习中，常用的损失函数有哪些？
「(1) 0-1 loss」记录分类错误的次数。「(2)Hinge Loss」最常用在SVM中「最大优化间隔分类」中，对可能的输出t=±1和分类器分数y，预测值y的hinge loss定义如下：L(y)=max(0.1-t*y)「(3)Log Loss对数损失」对于「对数函数」，由于其具有「单调性」，在求最优化问题时，结果与原始目标一致，在含有乘积的目标函数中(如极大似然函数)，通过「...
2020-04-16 08:44:13
1184
原创 常用梯度下降法与优化器都有什么？
机器学习中大部分为优化问题，而绝大部分优化问题都可以使用梯度下降法处理。梯度下降法的数学原理是函数沿着梯度方向具有最大变化率，那么在优化目标函数时沿着负梯度方向去减少函数值，以此达到优化目标。通过迭代的方式寻找最优参数，最优参数是指是目标函数达到最小值时的参数。如果目标函数是凸函数，那么梯度下降的解是全局最优解，不过在一般情况下，梯度下降无法保证全局最优。Q1 随机梯度下降与小批量随机梯度...
2020-04-15 09:15:06
602
原创 在机器学习中，偏差与方差是什么？
偏差度量了学习算法的期望与真实结果的偏差，刻画了算法本身的拟合能力，方差度量了同样大小的训练集的变动所导致的学习性能的变化。偏差用于描述模型的拟合能力，方差用来描述模型的稳定性。当训练度不足的时候，偏差主导模型的泛化误差；当训练进入后期，模型的拟合能力增强，方差主导模型的泛化误差；当训练足够的时候，如果拟合能力过强会导致过拟合。Q1 泛化误差、偏差、方差与噪声之间的关系学习器在训练集...
2020-04-15 09:14:29
715
原创 过拟合、欠拟合与正则化都是什么？
拟合与欠拟合的区别是什么，什么是正则化欠拟合指的是模型不能够再训练集上获得足够低的训练误差，往往由于特征维度过少，导致拟合的函数无法满足训练集，导致误差较大。过拟合指的是模型训练误差与测试误差之间差距过大；具体来说就是模型在训练集上训练过度，导致泛化能力过差。所有为了减少测试误差的策略统称为正则化方法，不过代价可能是增大训练误差。Q2 解决欠拟合的方法有哪些降低欠拟合风险主要有以下3类方...
2020-04-15 09:13:44
399
原创 特征降维主要包括什么？
主成分分析法(PCA)PCA是一个将数据变换到一个新的坐标系统中的线性变换，使得任何数据的投影的第一大方差在第一个坐标(第一主成分)上，第二大方差在第二个坐标(第二主成分)上，以此类推。其作用只要是为了让映射后得到的向量具有最大的不相关性。就是说PCA追求的是再将位置后能够最大化保持数据的内在信息。线性判别分析法(LDA)LDA是一种有监督的降维方法，主要是将高维的模式样本投影到最...
2020-04-15 09:13:01
983
原创 特征选择主要包括什么？
特征选择是非常关键的步骤，选入大量的特征不仅会降低模型效果，也会耗费大量的计算时间，而漏选的特征也会直接影响到最终的模型结果。一般情况下主要利用以下办法进行特征选择。1.方差选择法假如某列特征变化一直很平缓，所以说明这组特征对预测结果影响不大，所以应该计算出各个特征的方差选择方差大于自身阈值的特征。2.相关系数，统计检验相关系数或者统计检验都可以用来特征选择。3.互信息法互信息法也经常...
2020-04-15 09:12:32
1110
原创 数据预处理主要包括什么？
无量纲化无量纲化主要解决数据的量纲不同的问题，使不同的数据转换到同一规格，常见的方法有标准化和区间缩放法。标准化的假设前提是特征值服从正态分布。区间放缩法利用了边界值信息，将特征的取值区间缩放到某个特点的范围，列如[0,1]等。(1) 标准化理论上，标准化适用于服从正态分布的数据，目前很多工程都依赖大数据，所以在样本足够多的情况下，工程师往往直接使用标准化对数据进行无量纲化预处理，在深度...
2020-04-15 09:11:55
9905
原创 分类问题常用的性能度量指标有哪些？
常用的性能度量指标有：精确率、召回率、F1、TPR、FPR。预测为真预测为假真实为真TP(true positive)FN(false negative)真实为假FP(false positive)TN(true negative)精确率Precision=TP/(TP+FP)召回率Recall=TP/(TP+FN)真正例率即为正例被判断为正例的概率...
2020-04-15 09:09:53
2451
原创 回归问题常用的性能度量指标有哪些？
1)均方误差：是反映估计值与被估计量之间差异程度的一种度量。2)RMSE均方根误差：观测值与真值偏差的平方和与观测次数m比值的平方根，用来衡量观测值同真值之间的偏差。3)SSE和方误差4)MAE：直接计算模型输出与真实值之间的平均绝对误差5)MAPE：不仅考虑预测值与真实值误差，还考虑了误差与真实值之间的比例。6)平均平方百分比误差7)决定系数人工智能更多面试问题...
2020-04-15 09:09:20
3483
原创 机器学习如何分类？
按照任务类型可分为：回归模型：例如预测明天的股价。分类模型：将样本分为两类或者多类。结构化学习模型：输出的不是向量而是其他结构。按照学习理论可分为：监督学习：学习的样本全部具有标签，训练网络得到一个最优模型。无监督学习：训练的样本全部无标签，例如聚类样本。半监督学习：训练样本部分有标签。强化学习：智能体与环境进行交互获得奖励来进行训练的一种模式，环境不会判断是否正确，而是会不...
2020-04-15 09:08:43
279
原创 什么是判别式和生成式模型？
按照任务类型可分为：回归模型：例如预测明天的股价。分类模型：将样本分为两类或者多类。结构化学习模型：输出的不是向量而是其他结构。按照学习理论可分为：监督学习：学习的样本全部具有标签，训练网络得到一个最优模型。无监督学习：训练的样本全部无标签，例如聚类样本。半监督学习：训练样本部分有标签。强化学习：智能体与环境进行交互获得奖励来进行训练的一种模式，环境不会判断是否正确，而是会不...
2020-04-15 08:59:29
265
原创 [一起面试AI]NO.7 常用梯度下降法与优化器都有什么？
常用梯度下降法与优化器机器学习中大部分为优化问题，而绝大部分优化问题都可以使用「梯度下降法」处理。梯度下降法的数学原理是函数沿着梯度方向具有「最大变化率」，那么在优化目标函数时沿着负梯度方向去减少函数值，以此达到优化目标。通过迭代的方式寻找「最优参数」，最优参数是指是目标函数达到最小值时的参数。如果目标函数是「凸函数」，那么梯度下降的解是「全局最优解」，不过在一般情况下，梯度下降无法保证...
2020-04-15 07:36:00
13
原创 [一起面试AI]NO.6 偏差与方差
偏差度量了学习算法的期望与真实结果的偏差，刻画了算法本身的「拟合能力」，方差度量了同样大小的训练集的变动所导致的学习性能的变化。偏差与方差偏差用于描述模型的拟合能力，方差用来描述模型的稳定性。当训练度不足的时候，偏差主导模型的泛化误差；当训练进入后期，模型的拟合能力增强，方差主导模型的泛化误差；当训练足够的时候，如果拟合能力过强会导致过拟合。Q1 泛化误差、偏差、方差与噪声之间的关系...
2020-04-14 07:53:00
18
原创 [一起面试AI]NO.5过拟合、欠拟合与正则化是什么？
Q1 过拟合与欠拟合的区别是什么，什么是正则化欠拟合指的是模型不能够再训练集上获得足够低的「训练误差」，往往由于特征维度过少，导致拟合的函数无法满足训练集，导致误差较大。过拟合指的是模型训练误差与测试误差之间差距过大；具体来说就是模型在训练集上训练过度，导致泛化能力过差。「所有为了减少测试误差的策略统称为正则化方法」，不过代价可能是增大训练误差。Q2 解决欠拟合的方法有哪些降低欠拟合风...
2020-04-13 20:02:00
17
原创 [一起面试AI]NO.4特征工程主要包括什么？
Q1 数据预处理主要包括什么「无量纲化」无量纲化主要解决数据的「量纲不同」的问题，使不同的数据转换到「同一」规格，常见的方法有「标准化」和「区间缩放法」。标准化的假设前提是特征值服从「正态分布」。区间放缩法利用了「边界值」信息，将特征的取值区间缩放到某个「特点」的范围，列如[0,1]等。(1) 标准化理论上，标准化适用于服从正态分布的数据，目前很多工程都依赖大数据，所以在样本「足够多」...
2020-04-13 11:09:00
12
原创 [一起面试AI]NO.3分类问题常用的性能度量指标有哪些
常用的性能度量指标有：「精确率」、「召回率」、「F1」、「TPR」、「FPR」。预测为真预测为假真实为真TP(true positive)FN(false negative)真实为假FP(false positive)TN(true negative)「精确率」Precision=TP/(TP+FP)「召回率」Recall=TP/(TP+FN)「真...
2020-04-13 11:07:00
21
原创 [一起面试AI]NO.2回归问题常用的性能度量指标有哪些
1)「均方误差」是反映估计值与被估计量之间差异程度的一种度量。2)「RMSE均方根误差」观测值与真值偏差的平方和与观测次数m比值的平方根，用来衡量观测值同真值之间的偏差。3)「SSE和方误差」4)「MAE」直接计算模型输出与真实值之间的平均绝对误差5)「MAPE」不仅考虑预测值与真实值误差，还考虑了误差与真实值之间的比例。6)「平均平方百分比误差」7)「决定系数」...
2020-04-13 11:06:00
15
原创 [一起面试AI]NO.1机器学习简介
Q1 机器学习如何分类按照任务类型可分为：「回归模型」：例如预测明天的股价。「分类模型」：将样本分为两类或者多类。「结构化学习模型」：输出的不是向量而是其他「结构。」按照学习理论可分为：「监督学习」：学习的样本「全部」具有标签，训练网络得到一个最优模型。「无监督学习」：训练的样本「全部」无标签，例如「聚类样本。」「半监督学习」：训练样本「部分」有标签。「强化学习」：智能体与环境进行交...
2020-04-13 10:59:00
15
原创 计算机网络学习笔记NO.2 物理层
2.1 基本概念2.1.1 物理层概念物理层解决如何在连接各种计算机的传输媒体上「传输数据比特流」，而不是指具体的传输媒体。物理层主要任务：确定与传输媒体「接口」有关的一些特性(定义标准)「机械特性」：定义物理连接的特性，规定物理连接时所采用的规格、接口形状、「引线数目、引脚数量」和排列情况。「电气特性」：规定传输二进制位时，线路上信号的「电压范围」、阻抗匹配、传输「速率」和「距离」...
2020-04-12 11:54:00
22
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人