- 博客(16)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 在vs2017和clion中使用C++的JSON库jsoncpp
最近需要用c++的解析json，发现现有的jsoncpp库可以用，但在网上找的教程都比较老旧，遇到各种坑，也没找到clion中使用jsoncpp的教程，现在把整个流程记下来给大家参考，无论是vs2017还是clion中使用jsoncpp,都需要先下载源代码，然后再编译源代码的地址为：https://github.com/open-source-parsers/jsoncpp#generating-amalgamated-source-and-header一、vs2017中使用jsoncpp1、新建一个
2021-03-10 15:05:43
2444
2
原创 机器学习笔记3——Adaboost
一般来说，Ensemble模型适合于过拟合的模型，包括bagging和boosting.3.1 Bagging其中Bagging是单独训练每个分类器，然后用平均或者投票的方法组合，boosting的方法则是分类器之前存在强依赖，前一个分类器预测的解构会影响后一个分类器。随机森林就是DT的bagging。在相同的深度下，随机森林并不会比决策树好很多，但会让分类的结果更平滑3.2 Boosti...
2019-11-23 20:49:40
265
原创 机器学习笔记2——决策树
文章目录2.1简介2.2 信息论基础2.3 特征选择2.4 ID32.5 C4.52.1简介决策树算法经典的机器学习算法，也是使用的很普遍的一类算法，集成学习中的随机森林就是以决策树算法为基础的。决策树是Quinlan(昆兰)在1986年提出来的，最开始的版本是ID3算法，之后他又提出来C4.5算法。后来，有人在昆兰的基础上提出了CART算法，本文主要介绍这三种算法的主要思想。2.2 信息论...
2019-11-19 21:55:20
604
原创 机器学习笔记1——逻辑回归
文章目录1 Logistic Regression1.1 LR模型1.2 损失函数1.3 优化方法1.4 Regulization(正则化)1 Logistic RegressionLogistic Regression 逻辑回归，简称LR，适合于分类问题1.1 LR模型对于线性回归模型，需要拟合一个Y=XθY=X\thetaY=Xθ的函数，回归问题适合于连续的问题，而对于分类问题，需要得...
2019-11-18 17:35:36
265
原创 生成对抗网络系列(0)——生成模型
1. 前言本小节算是GAN的预备篇，主要介绍目前几个主流的生成模型，以及他们各自的优势。现有的使用较多的生成模型主要有以下5个，他们的源代码如下：https://github.com/wiseodd/generative-models这里给出的代码主要是CPU实现。不太适合我们现在要处理的任务，基于他们的代码，我改编出了GPU版，目前只实现了AE、VAE和部分GAN，代码会持续更新中…...
2018-06-20 10:20:49
1727
原创 pytorch学习笔记(2)—构建数据类、图像预处理、读写模型
2. pytorch读数据可以numpy读数据，然后torch.from_numpy转化成torch数据。pytorch中提供了torchvision包可以读入常用的图像数据集CIFAR10,MNIST,也有针对于这些图像的简单变换。import torchvision.datasetsimport torch.utils.data.DataLoaderimport torchvi...
2018-04-16 20:10:57
3054
原创 pytorch学习笔记(1)—基本类型、运算和简单模型
pytorch学习这篇文章主要讲pytorch框架的学习笔记1.基本数据类型和基本运算1.1 张量python导入pytorch为： import torch 在torch中，常量通常表示成张量的类型(Tensor)，与numpy中的array类似。创建一个5行3列的随机初始化张量矩阵为： x = torch.Tensor(5, 3)创建5行3列的[0,1]均匀分布的张量矩阵x = tor
2018-04-16 20:09:11
13349
3
原创 GAN提高
2 简介：上一篇文章中详细介绍了GAN的来龙去脉，分析了GAN的主要贡献之一在于discriminator其实是一个J-S divergence，可以用来判断生成分布PG(z)P_{G(z)}与真实分布PdataP_{data}。上节最后提到了原生GAN有G弱D强、mode collapse的问题。这一节主要介绍，后来的研究如何解决这两个问题，以及介绍一些有趣的GAN的变种，如f-GAN, WGAN
2018-03-17 22:17:04
455
原创 入坑GAN
前言上一篇文章投了之后，一直想试水深度学习，刚好由于研究需要接触到图像生成技术，以及当下最火的GAN。目前GAN有好多变种，但自己先学好这种Genarative Adversarial的思想，变种的理解就会很简单，也可以根据规律创建出自己的变种。这个笔记主要是整理台大Prof. 李宏毅的讲课视频，原链接在Generative Adversarial Network 好了，废话不多说，我们直接进...
2018-03-15 23:00:34
389
原创 深度学习笔记(2)------运行别人的caffe,以PoseNet为例
由于近期研究需要运行别人的caffe模型，这里就如何运行不同的caffe做出总结。一、为什么要安装不同的caffe在用CNN解决实际问题时，有些作者会根据自身的需要会定义一些自己的层来方便运算，而标准的caffe或者caffe-master中往往没有这些层的定义，这时就需要作者定制自己的caffe，如何想要跑他的网络，就需要重新编译他的caffe。比如，我这里想要运行的PoseNet, 作者定义了S
2017-10-13 10:41:19
3997
4
原创 深度学习笔记(1)------linux Ubuntu 14.04+Anaconda2+opencv 3.2.0+caffe-master配置
前言之前偷懒，计划用Matlab训练模型，后来正式写论文时发现别人的模型都是caffe训练的，还是老老实实回来学习正经的训练模型的方法。 工欲善其事必先利其器！废话不多说，我们先看如何配置环境1. Anaconda2 配置刚开始用Python训练模型时没有经验，import caffe时出现了各种缺失，安装这些包的时候又有各种问题，最后还是妥协用Anoconda吧，它集成了Python常用的科学计
2017-10-02 16:18:11
1845
原创 机器学习----matlab中的CNN
1.前言最近需要用到卷积神经网络(CNN)，在还没完全掌握cuda+caffe+TensorFlow+python这一套传统的深度学习的流程的时候，想到了matlab，自己查了一下documentation,还真的有深度学习的相关函数。所以给自己提个醒，在需要用到某个成熟的技术时先查一下matlab的帮助文档，这样会减少很多时间成本。记得机器学习的大牛Andrew NG.说过在硅谷好多人都是先用ma
2017-06-03 20:02:28
46163
37
原创 机器学习----分类问题
1.简介分类问题有许多应用，比如：判断一封邮件是否为垃圾邮件，肿瘤是否为良性？分类问题包括：两类分类和多类分类，其中多类分类用到的是两类分类的思想。在我们看来，类别这个概念是可数的，所以分类问题属于离散问题,与上一讲的回归问题不同，它属于连续问题。但与回归问题类似的是，用机器学校处理分类问题时也是找一条回归曲线，通过设置阈值把数据分为离散的类，所以这一节我们重点关注如何找这条曲线。2.
2017-05-10 22:01:51
2020
原创 机器学习----回归问题
1.序言这个系列主要总结一些自己在coursera上的课堂笔记。cousera上的机器学习课程是大名鼎鼎的Andrew NG(吴恩达)老师讲的，讲的深入浅出，真的是良心课程。课程录制在2011年，当时各种DNN还没有那么火，CNN用到图像分类是在2012年，所以课程的内容有点旧，但机器学习的思想仍是很重要的。2.简介ML(Mechine Learing)叫做机器学习，我们在网上看到的垃圾邮件的过滤，
2017-05-06 16:35:31
3219
原创 图像的等距变换，相似变换，仿射变换，射影变换及其matlab实现
图像的等距变换，相似变换，仿射变换，射影变换及其matlab实现 第二次写CSDN文档，上一篇的排版实在太烂了，于是决定认真学习一下markdown的语法。 好了，废话不多说，今天，我们学习一下图像（2维平面）到图像（2维平面）的四种变换，等距变换，相似变换，仿射变换，投影变换 首先介绍它的原理，最后介绍matlab的实现1.数学基础射影变换矩阵HH属于射影群PL(n)PL(n)中的一个，仿射群
2016-12-08 23:20:39
37135
10
原创 张正友相机标定论文笔记
张正友相机标定论文笔记精读张正友论文之后把主要步骤概括为： Print a pattern 并把它attach 到一个平面上，通常这个pattern是个棋盘图 从不同角度对平面拍照，可以变换棋盘的位置，也可以变换棋盘的位置。 检测Image中的特征点 求解利用三维坐标和四组图像坐标，求解单应性矩阵，并根据矩阵分解理论求解外部参数与内部参数。 求解di
2016-12-04 11:00:54
4754
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人