0.库的导入# Load librariesfrom sklearn.svm import LinearSVCfrom sklearn import datasetsfrom sklearn.preprocessing import StandardScalerimport numpy as npfrom matplotlib import pyplot as plt...

0.环境说明Ubuntu 16.04docker 1.351.Docker的“可视化”Docker本身的工作模式是命令行的，因为主要的使用场景可能是做服务器后端方面的比较多。但有时候我们会有在docker容器里运行一些图形界面的软件，或者要调用摄像头，输出图像等等一些需求，这个时候需要解决这个Docker “可视化”的问题。（这里的“可视化”不是很容易搜到的可视化管理的方法

这篇文章是博客Count Bayesie上的文章Kullback-Leibler Divergence Explained 的学习笔记

SVM分类器的分类结果只有类别，没有概率，属于maximum-margin 的方法如果我们想从SVM的分类结果中得到属于某个类别的置信概率，就要用到 概率校准经典的概率校准思路有Platt Scaling,核心思想就是把分类的结果作为新的训练集，用logistics回归再训练一个关系，得到具体的概率值P(y=1∣x)=11+e(A∗f(x)+B)P(y=1∣x)=11+e(A∗f(...

0.库的导入# 导入库from sklearn.svm import SVCfrom sklearn import datasetsfrom sklearn.preprocessing import StandardScalerimport numpy as np1.加载Iris Flower 数据集#Iris Flower 数据集有三个类别，这里只加载两个...

11.超参数设定和网络训练11.1 网络超参数设定网络结构相关的各项超参数：输入图像像素、卷积层个数、卷积核的相关参数11.1.1 输入数据像素大小不同输入图像为得到同规格输出，统一压缩到2n2n2^n大小：32x32,96x96,224x224分辨率越高，有助于性能提升，(特别是attention model),但是会延长训练时间改变原始模型的输入图像分辨率，需要重...