其他

本文主要闡述了對產生式對抗網路的理解，首先談到了什麼是對抗樣本，以及它與對抗網路的關係，然後解釋了對抗網路的每個組成部分，再結合演算法流程和代碼實現來解釋具體是如何?並執行這個演算法的，最後通過給出一個基於對抗網路改寫的去噪網路，效果雖然挺差的，但是還是挺有意思的。 【轉載請註明出處】chenrudan.github.io

本博文是轉載自一篇博文，介紹GAN（Generative Adversarial Networks）即產生式對抗網路的原理以及GAN的優缺點的分析和GAN網路研究發展現狀。下面是內容。 1. 產生式模型 1.1 概述     機器學習方法可以分為產生方法（generative approach）和判別方法（discriminative approach），所學到的模型分別稱為產生式模型（generative model）和判別式模型（

http://www.cnblogs.com/lc1217/p/7132364.html 1.關於Keras         1）簡介                    Keras是由純python編寫的基於theano/tensorflow的深度學習架構。    

最近幾個月為了寫小論文，題目是關於用深度學習做人臉檢索的，所以需要選擇一款合適的深度學習架構，caffe我學完以後感覺使用不是很方便，之後有人向我推薦了Keras，其簡單的風格吸引了我，之後的四個月我都一直在使用Keras架構，由於我用的時候，tensorflow的相關教程還不是很多，所以後端我使用theano。這次的心得主要分成兩篇，第一篇是聊聊開始使用keras容易遇到的坑，第二篇會在我論文發了之後，連同代碼和一些更細節的東西一起發出來，我也會在結尾放出一些自己收集的CNN和tensorfl

python向量： import numpy as npa = np.array([[1,2],[3,4],[5,6]])sum0 = np.sum(a, axis=0)sum1 = np.sum(a, axis=1)print sum0print sum1 > 結果： [ 9 12] [ 3 7 11] dropout 指在深度學習網路的訓練過程中，對於神經網路單元，按照一定的機率將其暫時從網路中丟棄。 dropout是CNN中防止過擬合提高效果的一個大殺器

通常情況下，我們都是用深度學習做分類，但有時候也會用來做迴歸。 原文出處：Regression Tutorial with the Keras Deep Learning Library in Python 1. 這裡作者使用Keras 和python的scikit-learn機器學習庫來實現了對樓價的迴歸預測。關於scikit-learn與Keras聯合可參考 Scikit-Learn介面封裝器 2.

實現了正弦曲線的擬合，即regression問題。 建立的模型單輸入單輸出，兩個隱層分別為100、50個神經元。 在keras的官方文檔中，給的例子多是關於分類的。因此在測試regression時，遇到了一些問題。總結來說，應注意以下幾個方面： 1）訓練資料需是矩陣型，這裡的輸入和輸出是1000*1，即1000個樣本；每個樣本得到一個輸出； 注意：訓練資料的產生非常關鍵，首先需要檢查輸入資料和輸出資料的維度匹配；

語音辨識概述 語音辨識是指將語音訊號轉換為文字的過程。現在通行的語音辨識系統架構如圖： 訊號處理模組將根據人耳的聽覺感知特點，抽取語音中最重要的特徵，將語音訊號轉換為特徵向量序列。現行語音辨識系統中常用的聲學特徵有線性預測性編碼（Linear Predictive Coding，LPC），梅爾頻率倒譜係數（Mel-frequency Cepstrum Coefficients，MFCC），梅爾標度濾波器組（Mel-scale Filter Bank，FBank）等。

本文主要觀點來自於 google論文。 Towards End-to-EndSpeech RecognitionUsing Deep Neural Networks。 問題背景： 傳統語音辨識系統需要經過提特徵,聲學建模（state-phoneme-triphone），語言建模系列過程，其中聲學建模需要對上下文相關的音素模型進行狀態聚類，對每一幀特徵需要做對齊。 端到端系統主要提出了下面的問題： 1. 特徵表示：    

        程式員總是會面臨這樣一種情境，基於一些原因我們需要學習一門新技術、新語言，然後就在電商網站買上幾本書或下載電子書開始啃，結果可能有兩種，因為書裡的知識過於專業或者深入，晦澀難懂，就把書扔到角落裡吃灰了，或者囫圇吞棗通讀一遍，雖然感覺有所領悟，但無法統領全域，表現就是知識點記不住，和別人交流時感覺不自信而且詞語匱乏。      

一個新的技術出來了,怎麼學? 高手們: 首先第一步:到官方網站下載最新的文檔,運行官方的一些Demo(注意是官方的Demo),然後程式在機器上能跑起來了,接著對著官方文檔一頁一頁的往下看,看一頁之後,如果有程式能運行,那麼就接著去敲程式,程式跑完,又回來接著看文檔,又有程式能運行,那麼就又接著去敲程式.不斷的去嘗試,就是這樣的一個簡單的過程,如此迴圈. 普通人:

我們是一家區塊鏈技術公司，開發各種Dapp應用。因發展需要，我們的前後端在招大俠， 如果你是這樣的人，歡迎找我私聊。 **前端工程師** **工作職能：** 1. 與產品設計師、工程師共同打造全新的區塊鏈產品； 2. 負責產品的前端開發，參與產品後台功能和開放介面的設計與研發； 3.持續改進產品效能、安全性、穩定性和可擴充性。 **任職要求：** 1. 對html, css, js規範充分瞭解，瞭解ES5，ES6, html5,

VR中為什麼需要把遊戲音頻放在聚光燈裡。 本文章由cartzhang編寫，轉載請註明出處。 所有權利保留。 文章連結：http://blog.csdn.net/cartzhang/article/details/52984767 作者：cartzhang 本文最初發表在Audiokinetic 的部落格上面 存在感

解釋時間扭曲 原文英文連結.翻譯中有一些個人添加的輔助資訊,以括弧標識,”注:”開頭,以粗體表示,例如(注:以下為個人翻譯,水平有限,歡迎指正). 在虛擬現實的背景下,時間扭曲是一項減少運動和映像之間延遲的技術. 在理想的情況下,渲染引擎發送給顯示之前使用測量好的即時的頭部姿態(方向和位置).但是,在現實情況下,渲染需要耗費時間,所以渲染引擎使用的姿態是發送顯示裝置之前幾毫秒的.在這幾毫秒的時間裡,頭部運動了,但是映像是會比實際情況延遲一些的.

不知不覺進入VR行業也一年了，做app,同時也做遊戲。感覺挺新鮮。          看到群裡很多人在問究竟做VR需要什麼能力，需要懂什麼。 VR開發需要知識點（個人）：          1.unity，開發做介面。         

摘要: 好的，所以你決定用 Unity 來做一個 VR 遊戲，並選定了三星 Gear VR 為你的目標平台。做好之後，開啟應用，在裝置上執行檔案再容易不過 – 但有個問題，幀率實在太低。 好的，所以你決定用 Unity 來做一個 VR 遊戲，並選定了三星 Gear vr 為你的目標平台。做好之後，開啟應用，在裝置上執行檔案再容易不過 –

Stanford大學Wolpert和Macready教授提出了NFL定理，它是最佳化領域中的一個重要理論研究成果，意義較為深遠。現將其結論概括如下： 定理1 假設有A、B兩種任意（隨機或確定）演算法，對於所有問題集，它們的平均效能是相同的（效能可採用多種方法度量，如最優解、收斂速率等），即 式中c為個體適應度的機率曲線；f為適應度函數；N為群體大小。

我們使用機器學習和自然語言處理開發了一個假新聞檢測器，其在驗證集上的準確率超過了95％。 在現實世界中，準確率應該會比95%低一些，特別是隨著時間的推移，假新聞的創作方式也會有所改變。 由於自然語言處理和機器學習方面發展迅猛，因此我想也許可以搞一個能夠識別假新聞的模型，從而遏制假新聞泛濫所造成的災難性後果 。 可以說，要製作自己的機器學習模型，最困難的部分就是收集訓練資料。 我花了幾天和幾天的時間來收集2017/2018賽季所有NBA球員的照片， 以期訓練一個Face

#1619 : “共同富裕” 時間限制: 10000ms 單點時限: 1000ms 記憶體限制: 256MB 描述 給定一個數組A1, A2, ... AN，每次操作可以從中選定一個元素Ai，把除了Ai之外的所有元素都加1。   問最少幾次操作可以實現“共同富裕”，即數組中所有元素都相等。

深度殘差網路在2015的ILSVRC比賽中獲得取得第一的成績，ICLR2016上也是重點議題之一。 它主要思想很簡單，就是在標準的前饋卷積網路上，加一個跳躍繞過一些層的串連。每繞過一層就產生一個殘差塊(residual block)，卷積層預測加輸入張量的殘差。如下圖所示： 普通的深度前饋網路難以最佳化。除了深度，所加層使得training和validation的錯誤率增加，即使用上了batch normalization也是如此。殘差神經網路由於存在shorcut