前言：本文转载lancezhange 的博文《对抗样本和对抗网络》，文章介绍了对抗样本的概念和相关文献，并且进一步介绍了生成式对抗网络（GenerativeAdversarial Nets, GAN）。    所谓对抗 样本是指将实际样本略加扰动而构造出的合成样本，对该样本，分类器非常容易将其类别判错，这意味着光滑性假设(相似的样本应该以很高的概率被判为同一类别)某种程度上被推翻了。

在Caffe中，目前有两种可视化prototxt格式网络结构的方法：使用Netscope在线可视化使用Caffe提供的draw_net.py本文将就这两种方法加以介绍1. Netscope:支持Caffe的神经网络结构在线可视化工具　　Netscope是个支持prototxt格式描述的神经网络结构的在线可视工具，网址:　　http://ethere

Main points阐述生成式模型的求解目标（联合分布），应用方式（判别、生成分布的样本）。阐释深度学习与生成式模型的关系；调研深度学习在生成式模型方面的发展，分类阐述（求解方法）；相较于传统生成式模型，深度生成式模型的特点、优势；Outline：1. 生成式模型的定义[wiki]（joint probability distribut

CALTECH 101(加利福尼亚理工学院101类图像数据库)的简介及相关论文链接。

opencv 2 归一化函数normalize详解1. 归一化定义与作用    归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。    归一

博主目前研究可见光遥感图像的物体检测问题，需要在Google Earth 20级地图上制作数据集。本文主要介绍遥感图像处理平台ENVI以及基于ENVI的样本采集方法。1.ENVI简介　　ENVI——完整的遥感图像处理平台ENVI(The Environment for Visualizing Images)是美国Exelis Visual Information Solutions公司的旗舰产品，

Shell变量有局部变量、环境变量之分。局部变量就是指在某个Shell中生效的变量，只在此次登录中有效。环境变量通常又称“全局变量”，虽然在Shell中变量默认就是全局的，但是为了让子Shall继承当前Shell的变量，需要使用export内建命令将其导出为环境变量。一、Linux的变量种类按变量的生存周期划分：* 永久的：需要修改配置文件，变量永久生效。* 临时的：使用exp

前言：本文是作者学习机器学习多元线性回归部分，就消除多重共线性、选择变量问题而做的练习。参照了《R-modeling》.薛毅.P331 例6.10例子，使用到R语言的MASS包，ridge包，lars包。

机器学习课程2  回归分析【题目1】使用R对内置鸢尾花数据集iris（在R提示符下输入iris回车可看到内容）进行回归分析，自行选择因变量和自变量，注意Species这个分类变量的处理方法。 解答：iris数据集介绍鸢尾花(iris)是数据挖掘常用到的一个数据集，包含150种鸢尾花的信息，每50种取自三个鸢尾花种之一（setosa,versicolour或virginica

在Caffe中，目前有两种可视化prototxt格式网络结构的方法：使用Netscope在线可视化使用Caffe提供的draw_net.py本文将就这两种方法加以介绍1. Netscope:支持Caffe的神经网络结构在线可视化工具　　Netscope是个支持prototxt格式描述的神经网络结构的在线可视工具，网址:　　http://ethere