其他

#include <stdio.h>#include <stdlib.h>#include <stdbool.h>#define MAX_NODE_NUM 10typedef int ElemType;typedef enum {DG,UDG} GKind;typedef void (*VISIT)(ElemType); //定義一個函數指標的類型VISIT, 指向一個"傳回型別為void,

       卷積層的維度計算        假設卷積層的輸入大小x*x為5*5，卷積核大小k*k為3*3,步長stride為2，假設不填充，輸出維度將會是(x-k)/2+1,即為2*2；如果步長為1，那麼輸出將會是3*3.步長為1的前向傳波和反向傳播已有很多推導，不再贅述。       前向傳播      假設輸入如下：  

以TensorFlow的卷積神經網路為例 卷積-池-卷積-池-全串連-softmax 前向傳導 C1層：卷積神經網路的輸入是28×28的矩陣 A A，經過 F1 F_1個5×5的卷積核 K1i(i=1,2,...,F1) K_i^1(i=1,2,...,F_1)的卷積產生 F1 F_1個24×24大小的feature maps：

The TensorFlow Convolution example gives an overview about the difference between SAME and VALID : For the SAME padding, the output height and width are computed as: out_height = ceil(float(in_height) / float(strides[1])) out_width =

卷積神經網路入門學 原文地址：http://blog.csdn.net/hjimce/article/details/47323463 作者：hjimce 卷積神經網路演算法是n年前就有的演算法，只是近年來因為深度學習相關演算法為多層網路的訓練提供了新方法，然後現在電腦的計算能力已非當年的那種計算水平，同時現在的訓練資料很多，於是神經網路的相關演算法又重新火了起來，因此卷積神經網路就又活了起來。

pb的5種類： custom class :不可見使用者自訂類 ，如實現函數的多態 standard class :標準不可見控制項 擴充類 custom visual :使用者自訂 可見類 External Visual: 外部可視類,如ocx引入 Standard Visual: PB標準可視控制項擴充  “Control”和“Object”的區別：

1.       幻方矩陣 幻方是一種很有意思的數字矩陣，在很早著名的九宮八卦陣就與幻方有關。 幻方的定義為： 1 到 N*N 的整數填入N*N的方格中，每行和每列以及對角線的數字之和必須是相等的。 你作為八卦公司的頂級程式員，現在需要你解決一個問題，將任意奇數階的幻方找出來。   輸入：   輸入包括多個測試集，每行為一個正奇數N(1<= N <

（主要參考書籍《神經網路與深度學習》） 1. 什麼是神經網路 1.1 從感知器說起…… 什麼是感知器。很簡單，前面我們已經說過了： output=sign(wTx) output=sign(w^Tx) 什麼意思呢。我們有一些輸入，我們會根據這些輸入做出一個決定：YES OR NOT。我們可能會想這麼簡單有什麼用呢。那我們得想一下電腦——CPU和人腦的組成了。

The interaction between humans and robots constantly evolve and adopt different tools and software to increase the comfort of humans. In this article, I explore nine tutorials that show you different methods to detect and recognize hand gestures.

https://github.com/CMU-Perceptual-Computing-Lab/openpose Q1：ImportError: /root/anaconda2/bin/../lib/libstdc++.so.6: version `GLIBCXX_3.4.21' not found ref：http://blog.csdn.net/u010987458/article/details/71702938A: conda install libgcc Q2:Intel

【極簡筆記】Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation 文章核心：1. 提出DeepLabv3+，採用encoder-decoder結構（其實就是語義分割常用的下採樣再上採樣）；2. 該網路通過帶孔卷積可以任意控制encoder feature的resolution，有較好的尺度適應性；3. 採用modified

極簡筆記：Dynamic Routing Between Capsule capsule第一彈，算是capsule的一個簡單demo，為了證明capsule是能用的。 如果傳統神經網路神經元是標量神經元，capsule可以理解成張量神經元(2 dim of spatial & 1 dim of feature vector). vector length是對象出現機率，orientation是對象屬性。 在mnist上使用三層結構測試：

1：fatal error: caffe/proto/caffe.pb.h: No such file or directory 解決方案：用protoc從caffe/src/caffe/proto/caffe.proto產生caffe.pb.h和caffe.pb.cc 進入caffe根目錄，輸入命令： protoc src/caffe/proto/caffe.proto --cpp_out=. mkdir include/caffe/proto mv

Problem 29:Divide Two Integers   不使用除法、乘法和求餘運算，完成兩個數的除法，當數值溢出時，返回MAX_INT。   解題思路：第一想法，直接用被除數迴圈減去除數，每次減得的結果大於0，則結果加1，小於0時迴圈結束。解法沒問題，但是複雜度太高，當用一個很大的數去除一個很小的數時，會逾時。   於是我們想到，我每次不是減去除數，而是依次減去除數的2的指數次冪倍，一直看能減到多少結果小於0，然後我們記錄這個是2的多少倍，並對剩餘值，繼續重複這個操作：  

Problem 39. Combination Sum   給定一個沒有重複數位數組和一個target，返回所有數組中的數求和為target的組合，每個數字可以重複利用。   **解題思路：**backtracking,該方法可以用來解決一類問題。注意邊界值的處理 class Solution(object): def combinationSum(self, candidates, target): """

  最近在做基於attention的唇語識別，無奈網上關於tf中attention的具體實現沒有較好的Demo，且版本大多不一致，瑣碎而且淩亂，不得不自己翻開源碼，閱讀一番，收穫頗豐，現分享與此。   PS：本文基於tensorflow-gpu-1.4.0版本，閱讀前，讀者最好對Attention mechanism有一定的瞭解，不然可能會一頭霧水。

 最近在做lip reading領域的研究，設計到C3D和RNN的結合，於是仔細觀摩了下LSTM的系列論文，總結如下： PPT總長98頁，內容包括： 1.conventional LSTM（含BPTT演算法的詳細講解） 2.forget gate的提出 3.Peephole mechanism 4.Encoder-Decoder 5.GRU 6.用於處理long-term和short-term資訊的Gated feedback RNN 7.現在廣泛使用的attention

串口與並口： 串口一次接收和發送一個 bit； 並口，多個資料通路同時發送或者接收； 並口並不見得一定比串口的效率來得高； 名稱中已包含串口之義： USB：Universal Serial Bus SAS：Serial Attached SCSI SATA：Serial ATA PCIe 也是串口； 1. 並口通訊的限制 各個資料通路上的bit不要求是同步的，

   最近吳恩達的深度學習第五門課序列模型終於出來了，我抽了一些時間，剛剛完成了課程，不得不說，Ng的第五門課我還是很滿意的，視頻和作業都很不錯，作業內容也很前沿，比如Emogify和trigger word detection，再加上我最近沉迷小愛同學，因此尤其對trigger word detection比較感興趣233.準備抽時間用我的渣電腦搞一波自己的資料集並訓練一波。  

本文介紹如何使用TensorFlow來讀取圖片資料，主要介紹寫入TFRecord檔案再讀取和直接使用隊列來讀取兩種方式。假設我們圖片目錄結構如下： |---a| |---1.jpg| |---2.jpg| |---3.jpg||---b| |---1.jpg| |---2.jpg| |---3.jpg||---c| |---1.jpg| |---2.jpg| |---3.jpg 1 使用TFRecoder