其他

轉載自： Caffe代碼閱讀——階層 - 無痛的機器學習 - 知乎專欄  https://zhuanlan.zhihu.com/p/21796890 Caffe源碼閱讀——Net組裝 - 無痛的機器學習 - 知乎專欄  https://zhuanlan.zhihu.com/p/21875025 Caffe代碼閱讀——Solver - 無痛的機器學習 - 知乎專欄  https://zhuanlan.zhihu.com/p/21800004

SmartWin++  遵循BSD許可協議的C++ GUI庫，建立在Windows API之上，但仍可以通過使用WineLib在Linux/xNix上使用。也支援Pocket PC和基於Windows CE的應用程式...   XCLASS  XCLASS庫是X Windows環境中的一個C++ GUI工具包的。它是基於Xlib的，由一套組件，包括從簡單組件到複雜的，其中也包括許多常用的對話方塊。組件有MS Windows外觀風格。 &

調參，真的是讓我脫了一層皮的一項工作。 調了半天，訓練一天，結果什麼用都沒有的時候真的是絕望…… 本文總結了自己對於調參的思考和一些常見參數的調整，希望對大家有所協助。 如果本文中有些表述或理解有誤，歡迎各位大神批評指正。 在實際調整參數之前，我們先要搞清楚兩個事情：

原文連結 ◆ ◆ ◆ 導讀 據福布斯雜誌報道，在美國奧蘭多舉行的Gartner研討會上，市場研究機構Gartner Research的副總裁兼資深研究員大衛·卡利（David Cearley）介紹了該機構預測的2017年十大戰略技術趨勢。他所謂的“戰略技術”，是指那些在未來5年擁有顯著顛覆潛力的技術。他還指出，這些技術將成為數字和演算法商業機遇背後的主要推動者，十大趨勢如下：

你知道DeepMind嗎。 很可能知道，畢竟大家都已經熟知，這家公司這幾年發生的兩件大事： 1. 被Google收購 2. 花了很多很多的資源，教電腦下圍棋，並打敗目前所有已知的圍棋頂級選手 那麼你也很可能知道DeepMind在13年發了一篇paper，叫做”Playing Atari with Deep Reinforcement Learning”。這篇paper講的是deepmind是怎麼教電腦玩atari遊戲的。 但你有可能不知道的是，為什麼deepmind要教電腦玩遊戲。

本篇是Face Service的第一篇文章： Face Service第一篇：Center Loss Face Service第二篇：SphereFace Face Service第三篇：CosFace Face Service第四篇：ArcFace Face Service第五篇：CCL 這篇文章為了最小化類內差距，在softmax loss上添加一項center

本次介紹一篇來自曠視科技的臉部偵測文章： 《2016 ACM MM UnitBox: An Advanced Object Detection Network》. 代碼應該是不會放出來了，但好在實現比較簡單。(插播一句，論文裡面說速度可以達到12fps，我有點慌，大家看看科學不) —————————— 分割線 —————————— Introduction 目標檢測可以視作兩個任務：目標定位 + 視覺識別。 基於深度學習的目標檢測大致又可以分為三個部分：

------- Windows Phone 7手機開發、.Net培訓、期待與您交流。 -------   知識一：SQL中char、varchar、text和nchar、nvarchar、ntext的區別      1、CHAR。CHAR儲存定長資料很方便，CHAR欄位上的索引效率級高，比如定義char(10)，那麼不論你儲存的資料是否達到了10個位元組，都要佔去10個位元組的空間。      2、

1.一切都是對象  2.計算通過對象間相互連信，請求其他對象執行動作來實現。對象間通過發送和接受訊息來通訊。訊息是由對動作的請求以及完成任務所必須的參數組成 3.每個對象都有自己的記憶體，其中可能包括了其他的對象 4.每個對象都是某個類的執行個體,類其實就是一組相似的對象，如認證或列表 5.類是對象相關習慣行為的儲存庫(repository).也就是說，同一個類的所有對象都能執行相同的動作。

接觸tensorflow小白，網上教程很多，映像分類應該屬於比較經典的一個例子啦，特別是google推了slim，但是網上的教程遺漏啦許多細節介紹會導致跑不出來，經過調試終於跑出來啦 結果還算可以，分享一下 我的環境，cuda8.0+cudnn5.1+python2.7 關於tensorflow,cuda+cudnn等安裝推薦教程： http://blog.csdn.net/xierhacker/article/details/53035989

tensorflow裡面用於改變映像大小的函數是tf.image.resize_images(image， （w， h）， method)：image表示需要改變此存的映像，第二個參數改變之後映像的大小，method用於表示改變映像過程用的差值方法。0：雙線性差值。1：最近鄰居法。2：雙立方插值法。3：面積插值法。 例如： import matplotlib.pyplot as plt;import tensorflow as tf;image_raw_data_jpg = tf.

映像大小的調整方式：在Tensorflow中通過tf.image.resize_images函數實現； 1.雙線性插值演算法（Bilinear interpolation）;Method取值為：0； 2.最近鄰居法（Nearest  neighbor interpolation);Method取值為：1； 3.雙立方插值法（Bicubic interpolation);Method取值為：2； 4.面積插值法（Area interpolation)

本文首發於知乎日報，轉載請註明出處 餘弦， 駭客也僅是一個符號 昨天的 WannaCry 勒索蠕蟲席捲了全球，即使像我們這樣遊走在邊界的人，也還是嚇了一跳。 無數沒打 MS-17010 補丁的 Win 電腦或伺服器中招，尤其是不少學校、相關單位有各種大內網的，這一波就可能直接導致這些機構工作癱瘓... 全世界鋪天蓋地的，充斥著下面這個勒索病毒介面： 不用贅述這個過程，說一些這大半年來的一些觀點吧，有些大觀點在年初開篇時已經提了，摘錄如下：

交叉熵代價函數 1. 交叉熵理論 交叉熵與熵相對，如同共變數與方差。 熵考察的是單個的資訊（分布）的期望： H(p)=−∑i=1np(xi)logp(xi) 交叉熵考察的是兩個的資訊（分布）的期望： H(p,q)=−∑i=1np(xi)logq(xi) 詳見 wiki Cross entropy y = tf.placeholder(dtype=tf.float32, shape=[None, 10]).....

/*     第一次積分賽的幸運數問題，很糾結的打出來了，然後找規律.     這道題目還是真的沒那麼容易消化。。。     題目地址：The Lucky Numbers #include<cstdio>#include<cstring>#include<iostream>#include<cmath>#include<algorithm>using

題目描述 小明的手機每天消費1元，每消費K元就可以獲贈1元，一開始小明有M元，問最多可以用多少天。 輸入格式 輸入包括多個測試執行個體。每個測試執行個體包括2個整數M，K（2<=k<=M<=1000)。M=0，K=0代表輸入結束。 輸出 對於每個測試執行個體輸出一個整數，表示M元可以用的天數。 範例輸入 2 2 4 3 0 0 範例輸出 3 5 #include

最近在回顧過去所學的知識，產生對抗網路算是主要的研究方向之一，今天突然看到了很久之前的一份代碼，拿出來複習一下產生對抗網路的基本思路，也給想要研究這個方向的同學一點參考。 產生對抗網路本質上就是產生器和判別器相互對抗。下面是判別器的代碼 def discriminator(images, reuse=None): with tf.variable_scope(tf.get_variable_scope(), reuse=reuse) as scope: # 卷積 +

【前言】     本文首先介紹產生式模型，然後著重梳理產生式模型（Generative Models）中產生對抗網路（Generative Adversarial Network）的研究與發展。作者按照GAN主幹論文、GAN應用性論文、GAN相關論文分類整理了45篇近兩年的論文，著重梳理了主幹論文之間的聯絡與區別，揭示產生式對抗網路的研究脈絡。 涉及的論文有： [1] Goodfellow Ian, Pouget-Abadie J, Mirza M,

來源：澎湃新聞 概要：Google正式宣布GoogleAI中國中心（Google AI China Center）在北京成立。 Google正式宣布GoogleAI中國中心（Google AI China Center）在北京成立。 12月13日，在上海舉行的Google開發人員大會（Google Developer Day）上，Google雲首席科學家李飛飛公布了這一訊息。

第一章  深度學習簡介 1.    人工有時候無法很好的抽取實體中的特徵，那麼是否有自動的方式。是的，深度學習解決的核心問題之一就是自動的將簡單的特徵合成更加複雜的特徵，使用這些組合特徵解決問題。 2.    深度學習是機器學習的一個分支，它除了可以學習特徵和任務之間的關聯以外，還能自動從簡單特徵中提取更加複雜的特徵。